一种基于混合预测模型的单变量时序数据异常检测方法技术

本发明专利技术涉及一种基于ARIMA

【技术实现步骤摘要】
一种基于混合预测模型的单变量时序数据异常检测方法


[0001]本专利技术涉及工业控制领域，尤其涉及异常检测，具体是一种基于混合预测模型的单变量时序数据异常检测方法。

技术介绍

[0002]随着工业4.0的发展，工业领域也面临着日渐严峻的安全问题。工业控制通常是一个十分复杂的过程。工业控制下收集的历史数据通常是按照固定时间间隔采集而成的，这些数据具有非线性、多耦合、多变量等特点。作为重要且复杂的数据对象，时间序列数据真实地记录了在控制过程中各个组件的运行情况，通过分析这些数据，可以很好地观测过去时段的系统状态，这为异常检测带来极大的参考价值。如何更准确地分析工控环境下收集的单变量时序数据一直是学术界和工业领域的热门话题。
[0003]为了解决单变量时序数据的异常检测问题，前人已展开了许多工作。Saurav等人提出了RNN
‑
AD算法，使用RNN进行在线时间序列异常检测，并采用数据局部规范化和增量训练的方式使网络能够适用数据集的概念漂移。但传统RNN模型在处理长序列时会面临梯度爆炸或消失的问题，进而影响训练结果。Kang等本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合预测模型的单变量时序数据异常检测方法包括预测和异常检测两部分，其特征在于，所述方法包括以下步骤：步骤1、对时间序列数据进行预测；该部分包含数据清洗与预处理、复合预测模型训练，计算客观权重等模块组成，其中，复合预测模型训练模块和计算客观权重模块是这部分的关键步骤；步骤2、数据清洗与预处理：这一模块主要包含两个操作，第一，由于环境干扰和机器故障等不可控的因素的存在，导致采集的数据可能存在空缺问题，因此需要补全缺少的数据；第二，数据在输入模型前，需要调整部分参数的数据类型，以确保符合模型对输入数据的要求；步骤3、训练复合预测模型：这一模块主要包括ARIMA模型和GRU模型，分别使用这两个模型对序列数据进行预测，得到两份预测数据；步骤4、计算客观权重：本模块主要使用CRITIC方法计算上述步骤中两个模型的权重，通过计算出的客观权重进行组合，得到最终的复合模型；步骤5、对序列进行异常检测；其主要方法是通过计算真实值与预测值之间的误差，从而判断其是否超过误差阈值。2.根据权利要求书1中所述的一种基于混合预测模型的单变量时序数据异常检测方法，其特征在于：所述步骤3构建一个GRU网络模型，最后通过全连接(Dense)层控制输出；设定神经网络训练中的损失函数为均方误差(Mean
‑
Square Error，MSE)，其定义如下：其中，y
i
和y
real
是分别单个神经元的输出数据和观测数据中的真实值；神经元的输出值y
i
要减去真实值y
real
，然后进行平方，最后通过累加和平均；损失函数用于评估神经网络的实际输出和目标输出之间的差异；损失函数的输出值越小，实际输出和目标输出之间的差异就越小，这也表明了当前训练出的权重拟合的效果更好；为了优化GRU模型参数的更新速度，必须进一步控制学习率；许多关于梯度优化算法的研究表明，Adam算法通过一阶梯度和二阶梯度的估计动态调整每个参数的学习率，在实际应用中提供了更好的整体性能；由于目标时间序列数据集是非稳态数据的集合，并使用Adam算法作为优化器；ARIMA模型结合了差分、自回归(AR)过程和移动平均(MA)过程，建立了一个时间序列的预测模型；ARIMA预测模型随着三个过程中超参数的确定可以表示为ARIMA(p,d,q)；d的确定可以通过观察原数据和差分数据的平稳性来确定，通常不超过二阶差分；差分操作是为了保证预测模型的训练过程是建立在平稳的序列数据上；p的确定可以通过序列的自相关图来确定；p阶AR模型可以表示为AR(p)；q的确定可以通过序列数据的偏相关图来确定；一个q阶的MA模型，即MA(q)；参数p和q分别是AR和MA阶数；ARIMA模型则是通过引入差分这个操作来实现处理非平稳的时间序列数据的能力；事实上，对时间序列进行差分后，原始的非平稳时间序列被转换为了更加平稳的时间序列；确定了三个超参数后，就可以使用最终的ARIMA(p,d,q)模型对序列数据进行预测。
3.根据权利要求书1中所述的一种基于混合预测模型的单变量时序数据异常检测方法，其特征在于，所述步骤4中构建的GRU神经网络模型提供了非线性关系数据下较好的预测结果，但忽略了数据中的平稳性关系；ARIMA时间序列模型对数据中的稳定性特征有着很好的适应性，但面对非线性关系下的数据其预测也是局限的；由于单一模型不...

【专利技术属性】
技术研发人员：陈良银，高尚华，何秀靖，刘俊才，刘宜珈，陈是澎，王盛圩，林昕，赵万槟，冯康慧，
申请(专利权)人：四川大学，
类型：发明
国别省市：