异常时序片段的确定方法技术

本申请公开了一种异常时序片段的确定方法

【技术实现步骤摘要】
异常时序片段的确定方法、装置和电子设备


[0001]本申请属于数据处理
，具体涉及一种异常时序片段的确定方法
、
装置和电子设备
。

技术介绍

[0002]随着数据处理技术的飞速发展，其被应用于各行各业中，人们可以通过获取所处行业中的监测数据，对监测数据进行分析并得到分析结果，从而通过分析结果为实际的生产生活提供指导
。
例如，在地质灾害防治领域中，各省市可以通过设置预警监测点，通过预警监测点的传感器获取当地的地质监测数据，并通过对传感器获取的地质监测数据进行分析，实现对地质灾害的提前预警
。
[0003]现有的监测数据的采集过程中，不可避免地会出现异常数据，而在监测数据的分析中，异常数据会影响到分析结果的准确性，例如，异常数据会触发大量的报警，因此需要从海量的监测数据中识别出异常数据
。
但是，目前对于监测数据中的异常数据的识别，通常是通过人力筛选，导致异常数据的识别的效率较低
。

技术实现思路

[0004]本申请实施例的目的是提供一种异常时序片段的确定方法
、
装置和电子设备，能够解决异常数据的识别的效率较低的问题
。
[0005]第一方面，本申请实施例提供了一种异常时序片段的确定方法，包括：
[0006]获取监测环境下的监测时间序列，所述监测时间序列包括时间连续的多个监测数据；
[0007]对所述监测时间序列进行数据突变检测，确定所述监测时间序列中的至少一个突变数据；
[0008]基于所述至少一个突变数据，将所述监测时间序列划分为多个第一时序片段；
[0009]将各所述第一时序片段输入至预设的神经网络预测模型中，确定所述多个第一时序片段中的异常时序片段，所述异常时序片段表示包括异常数据的时序片段
。
[0010]本申请实施例中，通过对监测环境下获取的监测时间序列进行数据突变检测，确定所述监测时间序列中的至少一个突变数据，然后基于该至少一个突变数据，将监测时间序列划分为多个第一时序片段，最后将该多个第一时序片段中各第一时序片段输入至预设的神经网络预测模型中，确定多个第一时序片段中的异常时序片段
。
如此，可以从包括多个监测数据的监测时间序列中快读地确定异常时序片段，从而可以仅通过分析异常时序片段确定监测时间序列中的异常数据，进而降低从监测数据中识别出异常数据的复杂度，提升异常数据的识别效率
。
[0011]在一些实施方式中，所述将各所述第一时序片段输入至预设的神经网络预测模型中，确定所述多个第一时序片段中的异常时序片段，包括：
[0012]将各所述第一时序片段与预设时序样本中的预设时序片段进行拼接，得到与所述
第一时序片段关联的拼接时序片段，其中，所述预设时序样本还包括时序片段标识，所述时序片段标识用于指示所述预设时序片段是否为异常时序片段；
[0013]将与各所述第一时序片段关联的拼接时序片段输入至预设的神经网络预测模型中，并基于所述时序片段标识，确定所述多个第一时序片段中的异常时序片段
。
[0014]本实施方式中，通过将各第一时序片段与预设时序样本中的预设时序片段进行拼接，且将拼接得到的拼接时序片段输入至预设的神经网络预测模型中，并基于该预设时序样本中的时序片段标识，确定第一时序片段是否为异常时序片段，从而可以提升识别的准确性
。
[0015]在一些实施方式中，所述将各所述第一时序片段与预设时序样本中的预设时序片段进行拼接，得到与所述第一时序片段关联的拼接时序片段，包括：
[0016]将目标时序片段与多个预设时序样本中的预设时序片段进行拼接，得到与所述目标时序片段关联的多个第一拼接时序片段，所述目标时序片段为所述多个第一时序片段中的任一时序片段；
[0017]所述将与各所述第一时序片段关联的拼接时序片段输入至预设的神经网络预测模型中，并基于所述确定所述时序片段标识，确定所述多个第一时序片段中的异常时序片段，包括：
[0018]将所述多个第一拼接时序片段分别输入至预设的神经网络预测模型中，得到所述多个第一拼接时序片段的多个第一预测结果，各所述第一预测结果用于指示与其对应的第一拼接时序片段是否为异常时序片段；
[0019]将所述多个第一预测结果与至少一个第二预测结果进行比较，得到比较结果，所述至少一个第二预测结果为将至少一个第二拼接时序片段输入至所述神经网络预测模型预测得到，所述至少一个第二拼接时序片段为对所述多个预设时序样本中的预设时序片段两两拼接得到；
[0020]在所述比较结果指示多个第一预测结果与至少一个第二预测结果之间的差异性超出预设差异性阈值的情况下，确定个所述目标时序片段为异常时序片段，以得到所述多个第一时序片段中的异常时序片段
。
[0021]本实施方式中，通过将第一时序片段分别与多个预设时序样本中的预设时序片段进行拼接，得到多个第一拼接时序片段，然后根据多个第一拼接时序片段的第一预测结果，以及多个预设时序样本中的预设时序片段两两拼接得到的第二拼接时序片段的第二预测结果，确定第一时序片段是否为异常时序片段，从而可以进一步提升识别准确性
。
[0022]在一些实施方式中，所述将各所述第一时序片段输入至预设的神经网络预测模型中，确定所述多个第一时序片段中的异常时序片段，包括：
[0023]将各所述第一时序片段划分为多个时序子片段；
[0024]将各所述第一时序片段的多个时序子片段分别输入至所述神经网络预测模型中，得到所述多个时序子片段的多个预测子结果，各所述预测子结果用于指示与其对应的时序子片段是否为异常时序片段；
[0025]基于所述多个时序子片段的多个预测子结果，确定与所述多个时序子片段对应的第一时序片段是否为异常时序片段，以得到所述多个第一时序片段中的异常时序片段
。
[0026]本实施方式中，通过将第一时序片段划分为多个时序子片段，并分别将各时序子
片段输入至神经网络预测模型中，得到多个时序子片段的多个预测子结果，最后根据多个时序子片段的多个预测子结果，确定该第一时序片段的是否为异常时序片段，从而可以降低预测过程中的计算复杂度，进一步提升异常数据识别的效率
。
[0027]在一些实施方式中，所述对所述监测时间序列进行数据突变检测，确定所述监测时间序列中的至少一个突变数据，包括：
[0028]基于预设数据长度，将所述监测时间序列划分为多个第二时序片段，各所述第二时序片段的数据长度小于或者等于预设数据长度；
[0029]对各所述第二时序片段进行数据突变检测，确定各所述第二时序片段中的突变数据，得到所述监测时间序列中的至少一个突变数据
。
[0030]本实施方式中，通过将监测时间序列划分为多个第二时序片段，并分别对多个第二时序片段进行数据突变检测，以确定各第二时序片段中的突变数据，得到监测时间序列中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种异常时序片段的确定方法，其特征在于，包括：获取监测环境下的监测时间序列，所述监测时间序列包括时间连续的多个监测数据；对所述监测时间序列进行数据突变检测，确定所述监测时间序列中的至少一个突变数据；基于所述至少一个突变数据，将所述监测时间序列划分为多个第一时序片段；将各所述第一时序片段输入至预设的神经网络预测模型中，确定所述多个第一时序片段中的异常时序片段，所述异常时序片段表示包括异常数据的时序片段
。2.
根据权利要求1所述的方法，其特征在于，所述将各所述第一时序片段输入至预设的神经网络预测模型中，确定所述多个第一时序片段中的异常时序片段，包括：将各所述第一时序片段与预设时序样本中的预设时序片段进行拼接，得到与所述第一时序片段关联的拼接时序片段，其中，所述预设时序样本还包括时序片段标识，所述时序片段标识用于指示所述预设时序片段是否为异常时序片段；将与各所述第一时序片段关联的拼接时序片段输入至预设的神经网络预测模型中，并基于所述时序片段标识，确定所述多个第一时序片段中的异常时序片段
。3.
根据权利要求2所述的方法，其特征在于，所述将各所述第一时序片段与预设时序样本中的预设时序片段进行拼接，得到与所述第一时序片段关联的拼接时序片段，包括：将目标时序片段与多个预设时序样本中的预设时序片段进行拼接，得到与所述目标时序片段关联的多个第一拼接时序片段，所述目标时序片段为所述多个第一时序片段中的任一时序片段；所述将与各所述第一时序片段关联的拼接时序片段输入至预设的神经网络预测模型中，并基于所述时序片段标识，确定所述多个第一时序片段中的异常时序片段，包括：将所述多个第一拼接时序片段分别输入至预设的神经网络预测模型中，得到所述多个第一拼接时序片段的多个第一预测结果，各所述第一预测结果用于指示与其对应的第一拼接时序片段是否为异常时序片段；将所述多个第一预测结果与至少一个第二预测结果进行比较，得到比较结果，所述至少一个第二预测结果为将至少一个第二拼接时序片段输入至所述神经网络预测模型预测得到，所述至少一个第二拼接时序片段为对所述多个预设时序样本中的预设时序片段两两拼接得到；在所述比较结果指示多个第一预测结果与至少一个第二预测结果之间的差异性超出预设差异性阈值的情况下，确定个所述目标时序片段为异常时序片段，以得到所述多个第一时序片段中的异常时序片段
。4.
根据权利要求1所述的方法，其特征在于，所述将各所述第一时序片段输入至预设的神经网络预测模型中，确定所述多个第一时序片段中的异常时序片段，包括：将各所述第一时序片段划分为多个时序子片段；将各所述第一时序片段的多个时序子片段分别输入至所述神经网络预测模型中，得到所述多个时序子片段的多个预测子结果，各所述预测子结果用于指示与其对应的时序子片段是否为异常时序片段；基于所述多个时序子片段的多个预测子结果，确定与所述多个时序子片段对应的第一时序片段是否为异常时序片段，以得到所述多个第一时序片段中的异常时序片段
。
5.
根据权利要求1所述的方法，其特征在于，所述对所述监测时间序列进行数据突变检测，确定所述监测时间序列中的至少一个突变数据，包括：基于预设数据长度，将所述...

【专利技术属性】
技术研发人员：刘小龙，付佳佳，罗双燕，陆帅泉，唐瑶，
申请(专利权)人：千寻位置网络有限公司，
类型：发明
国别省市：