1.一种周期性时序数据的异常监测方法,其特征在于,包括:
获取属于正常状态的时序数据建立训练数据集,按照训练数据集中数据的数值变化特征,基于设定的分析维度得到训练数据集对应的各多维时间段;
利用训练数据集的每一条数据,与该条数据所属多维时间段的原上、下界阈值的差值,更新该多维时间段的上下界阈值,以获得各个多维时间段的上界阈值和下界阈值;
利用各多维时间段的上界阈值和下界阈值,对当前待监测时序数据进行异常监测。
2.如权利要求1所述的周期性时序数据的异常监测方法,其特征在于,所述获取属于正常状态的时序数据建立训练数据集,按照训练数据集中数据的数值变化特征,基于设定的分析维度得到训练数据集对应的各多维时间段,包括:
按照所述训练数据集的数值大小,将数值按照大小等分成m个等价类;
以所述训练数据集中数据的采集时间为统计对象,统计所述训练数据集的值变化范围;
将数据值变化范围符合设定条件的连续时间段合并,获得k个基本时间段区间;
根据基本时间段区间和各维度分析,得到所述训练数据集对应的各多维时间段。
3.如权利要求2所述的周期性时序数据的异常监测方法,其特征在于,所述将数据值变化范围符合设定条件的连续时间段合并,获得k个基本时间段区间,包括:
将数据值变化范围区间差值小于设定的差值阈值的连续时间段合并,获得k个基本时间段区间。
4.如权利要求2所述的周期性时序数据的异常监测方法,其特征在于,所述分析维度包括节假日维度、周维度、季度维度、年维度以及自由维度中的至少一个。
5.如权利要求2所述的周期性时序数据的异常监测方法,其特征在于,在所述按照所述训练数据集的数值大小,将数值按照大小等分成m个等价类之前,还包括:
对所述训练数据集进行预处理,剔除异常状态的数据,得到由正常状态的数据组成的训练数据集。
6.如权利要求1所述的周期性时序数据的异常监测方法,其特征在于,所述利用训练数据集的每一条数据,与该条数据所属多维时间段的原上、下界阈值的差值,更新该多维时间段的上下界阈值,以获得各个多维时间段的上界阈值和下界阈值,包括:
根据所述多维时间段确定训练数据所属的时间段;
计算训练数据与其所属多维时间段的上界阈值tuid(t)和下界阈值tlid(t)之间的差值⊿t为:
其中,xt为训练数据;
采用蚁群算法信息素更新机制,利用⊿t对所述上界阈值tuid(t)和下界阈值tlid(t)进行更新,以获得各多维时间段的上界阈值和下界阈值。
7.如权利要求6所述的周期性时序数据的异常监测方法,其特征在于,所述采用蚁群算法信息素更新机制,利用⊿t对所述上界阈值tuid(t)和下界阈值tlid(t)进行更新,以获得各多维时间段的上界阈值和下界阈值,包括:
在训练数据
在训练数据xt小于下界阈值tlid(t)时,更新tlid(t),公式如下:
tlid(t+1)=(1-ρ)tlid(t)+δ⊿t
在训练数据xt大于上界阈值
tuid(t+1)=(1-ρ)tuid(t)+δ⊿t
其中,ρ和δ均为常数。
8.如权利要求1所述的周期性时序数据的异常监测方法,其特征在于,所述利用各维度时间段的上界阈值和下界阈值,对当前待监测时序数据进行异常监测,包括:
判断当前待监测时序数据是否处于所属多维时间段的上界阈值和下界阈值之内;
若是,则确定当前待监测时序数据为正常状态;
若否,则确定当前待监测时序数据为异常状态。
9.如权利要求8所述的周期性时序数据的异常监测方法,其特征在于,还包括:利用所述当前待监测时序数据的监测结果,重新分析所述训练数据集的各多维时间段区间。
10.一种周期性时序数据的异常监测装置,其特征在于,包括:时间段构建模块、自适应阈值训练模块和监测模块;
时间段构建模块用于将属于正常状态的时序数据集合作为训练数据集,按照训练数据集中数据的数值变化特征,基于设定的分析维度得到训练数据集对应的各多维时间段;
自适应阈值训练模块用于利用训练数据集的每一条数据,与该条数据所属多维时间段的原上、下界阈值的差值,更新该多维时间段的上下界阈值,以获得各个多维时间段的上界阈值和下界阈值;
监测模块用于利用各多维时间段的上界阈值和下界阈值,对当前待监测时序数据进行异常监测。