(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211224388.4 (22)申请日 2022.10.09 (71)申请人 深圳市明源云科技有限公司 地址 518000 广东省深圳市南 山区粤海街 道高新区社区高新南十道16号金地威 新中心A座801 (72)发明人 吴云霞　方武　 (74)专利代理 机构 深圳市世纪恒程知识产权代 理事务所 4 4287 专利代理师 付海萍 (51)Int.Cl. G06F 16/215(2019.01) G06F 16/2458(2019.01) G06K 9/00(2022.01) (54)发明名称 时序数据的异常检测方法、 设备及计算机可 读存储介质 (57)摘要 本发明公开了一种时序数据的异常检测方 法、 设备及计算机可读存储介质， 涉及数据检测 领域。 本发 明时序数据的异常检测方法可自动分 解出不同时序数据自身的周期特征和趋势特征， 因此， 针对不同时序数据进行检测时具有良好的 普适性， 无需技术人员针对不同数据的特点人为 设计对应的异常数据检测的方法或者设置异常 数据检测的标准， 减少了人工成本了提高了生产 力。 权利要求书3页 说明书15页 附图5页 CN 115292304 A 2022.11.04 CN 115292304 A 1.一种时序数据的异常检测方法， 其特征在于， 所述时序数据的异常检测方法包括以 下步骤： 通过极大重叠离散小波变换将待检测时序 数据集进行分解， 得到所述待检测时序 数据 集的周期信息； 基于所述周期信 息对所述待检测时序 数据集进行分解， 以去除所述待检测时序 数据集 中的周期性特 征和趋势性特 征得到所述待检测时序数据集的噪声余 量数据集； 将所述噪声余量数据集中处于预设置信区间之外的噪声分量数据标记为异常， 得到所 述噪声余量数据集的异常标签序列， 将所述异常标签序列作为所述待检测时序数据的异常 检测结果。 2.如权利要求1所述的时序数据的异常检测方法， 其特征在于， 所述周期性特征为周期 分量数据集， 所述趋势性特征为趋势分量数据集， 所述基于所述周期信息对所述待检测时 序数据集进行分解， 以去除所述待检测时序数据集中的周期性特征和趋势 性特征得到所述 待检测时序数据集的噪声余 量数据集的步骤 包括： 基于所述周期信息中的周期值对所述待检测时序数据集进行分解得到所述待检测时 序数据集的所述周期分量数据集； 基于所述周期分量数据集对所述待检测时序数据集进行分解得到所述待检测时序数 据集的所述趋势分量数据集； 将所述待检测时序数据集减去所述周期分量数据集和所述趋势分量数据集得到所述 噪声余量数据集。 3.如权利要求2所述的时序数据的异常检测方法， 其特征在于， 所述基于所述周期信 息 中的周期值对所述待检测时序数据集进行分解得到所述待检测时序数据集的周期分量数 据集的步骤 包括： 将所述待检测时序数据集与所述趋势分量数据集相减得到去势时序数据集， 其中， 所 述趋势分量数据集预设有初始值； 基于所述周期值将所述去势时序数据集中相同周期位置的数据划分为一个第一子序 列， 以得到多个第一子序列， 其中， 所述周期位置是指所述数据处于所述数据对应周期中的 相对位置； 对各所述第一子序列进行第一局部加权回归处理得到各新的所述第一子序列， 其中， 所述第一局部加权回归处 理的平滑参数为第一预设平 滑参数； 根据时序顺序将各新的所述第一子序列中的数据组合得到低通时序数据； 将所述低通时序数据集依次进行预设滑动平均处理和第二局部加权回归处理得到第 一去周期时序数据集， 其中， 所述第二局部加权回归处 理的平滑参数为第二预设平 滑参数； 将所述低通时序数据集减去所述第一去周期时序数据集得到所述周期分量数据集。 4.如权利要求3所述的时序数据的异常检测方法， 其特征在于， 所述基于所述周期分量 数据集对所述待检测时序数据集进行分解得到所述待检测时序数据集的趋势分量数据集 的步骤包括： 将所述待检测时序数据集减去所述周期分量数据集得到第二去周期时序数据集； 对所述第二去周期时序数据集进行第三局部加权回归处理得到新的所述趋势分量数 据集， 其中， 所述第三局部加权回归处 理的平滑参数为第三预设平 滑参数。权　利　要　求　书 1/3 页 2 CN 115292304 A 25.如权利要求4所述的时序数据的异常检测方法， 其特征在于， 所述将所述待检测时序 数据集减去所述周期分量数据集和所述趋势分量数据得到所述噪声余量数据集的步骤包 括： 将所述待检测时序数据集减去所述周期分量数据集和所述趋势分量数据集生成待定 噪声余量数据集， 判断所述待定噪声余 量数据集是否收敛； 当所述待定噪声余量数据集不收敛时， 执行所述将所述待检测时序数据集与趋势分量 数据集相减得到去势时序数据集的步骤； 当所述待定噪声余量数据集收敛时， 所述待检测时序数据集分解完成， 将所述待定噪 声余量数据集作为所述噪声余 量数据集。 6.如权利要求5所述的时序数据的异常检测方法， 其特征在于， 所述基于所述周期信 息 对所述待检测时序数据集进行分解， 以去除所述待检测时序数据集中的周期性特征和趋势 性特征得到所述待检测时序数据集的噪声余 量数据集的步骤 还包括： 当所述周期信 息中存在多个周期值 时， 从周期值合集中基于从小到大的顺序获一个周 期值作为当前周期值； 基于所述当前周期值对第三去周期时序数据集分解得到所述待检测时序数据集的一 个周期分量数据集， 其中， 所述第三去周期时序数据集的初始值 为所述待检测时序数据集； 将所述第三去周期时序数据集与对应的所述趋势分量数据集相减得到新的所述第三 去周期时序数据集； 判断是否遍历所述周期值 合集中的各 所述周期值； 若否， 则从所述周期值合集中基于从小到大的顺序获取一个新的所述周期值作为所述 当前周期值， 执行所述基于所述当前周期值对第三去周期时序数据集分解得到所述待检测 时序数据集的一个周期分量数据集的步骤； 若是， 则得到所述待检测时序数据集的各 所述周期分量数据集； 基于各所述周期分量数据集对所述待检测时序数据集进行分解得到所述待检测时序 数据集的所述趋势分量数据集； 将所述待检测时序数据集减去各所述周期分量数据集和所述趋势分量数据得到所述 噪声余量数据集。 7.如权利要求6所述的时序数据的异常检测方法， 其特征在于， 在所述将所述噪声余量 数据集中处于预设置信区间之外的噪声分量数据标记为异常的步骤之前， 所述方法包括： 基于所述噪声余量数据集中各噪声余量数据值的大小进行排序得到新的所述噪声余 量数据集； 通过四分位法生成所述噪声余量数据集的上分位点和所述噪声余量数据集的下分位 点; 根据所述上分位 点和所述下分位 点生成所述预设置信区间。 8.如权利要求7所述的时序数据的异常检测方法， 其特征在于， 所述通过极大重叠离散 小波变换将待检测时序数据集进 行分解， 得到所述待检测时序数据集的周期信息的步骤包 括： 通过所述极大重叠离散小波变换将所述待检测时序数据集分解为不同频率的第二子 序列；权　利　要　求　书 2/3 页 3 CN 115292304 A 3