CN109684311A - 异常数据检测方法及装置 - Google Patents

Abstract

本发明提供了一种异常数据检测方法及装置，该方法应用于数据处理技术领域，所述方法包括：获取待处理数据；根据所述待处理数据生成孤立林；基于所述孤立林确定所述待处理数据中每个数据点的深度平均值；若某一数据点的深度平均值大于预设深度值，则确定该数据点为异常数据。本发明提供的异常数据检测方法及装置能够实现待处理数据异常值的快速检测。

Description

异常数据检测方法及装置

技术领域

本发明属于数据处理技术领域，更具体地说，是涉及一种异常数据检测方法及装置。

背景技术

在现实中，由于人为错误或自然错误会导致产生数据异常值，在多数据源的环境下，出现数据异常并产生数据冲突的概率大大增加。如何处理这些异常值便是数据清洗所面临的一个重要课题。

在数据处理中，尤其在作函数拟合时，异常点的出现不仅会很大程度的改变函数拟合的效果，而且有时还会使得函数的梯度出现奇异梯度，很容易导致算法的终止，从而影响研究变量之间的函数关系。为了有效的避免这些异常点造成的损失，我们需要采取一定的方法对其进行处理。但在多数据源、大数据量的情况下，现有技术中缺少一种快速检测异常值的方法。

发明内容

本发明的目的在于提供一种异常数据检测方法及装置，以解决现有技术中存在的无法快速进行异常数据检测的技术问题。

本发明实施例的第一方面，提供了一种异常数据检测方法，所述方法包括：

获取待处理数据；

根据所述待处理数据生成孤立林；

基于所述孤立林确定所述待处理数据中每个数据点的深度平均值；

若某一数据点的深度平均值大于预设深度值，则确定该数据点为异常数据。

本发明实施例的第二方面，提供了一种异常数据检测装置，所述装置包括：

数据获取模块，用于获取待处理数据；

生成模块，用于根据所述待处理数据生成孤立林；

遍历模块，用于基于所述孤立林确定所述待处理数据中每个数据点的深度平均值；

检测模块，用于若数据点的深度平均值大于预设深度值，则确定所述数据点为异常数据。

本发明实施例的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的异常数据检测方法的步骤。

本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的异常数据检测方法的步骤。

本发明提供的异常数据检测方法及装置的有益效果在于：本发明提供的异常数据检测方法及装置先根据待处理数据分别从多个维度建立了孤立树，多个维度的孤立树组成孤立林，再使用待处理数据遍历孤立林确定待处理数据的深度平均值，根据该深度平均值确定异常数据从而实现对异常数据的快速检测。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的异常数据检测方法的流程示意图；

图2为本发明另一实施例提供的异常数据检测方法的流程示意图；

图3为本发明再一实施例提供的异常数据检测方法的流程示意图；

图4为本发明又一实施例提供的异常数据检测方法的流程示意图；

图5为本发明又一实施例提供的异常数据检测方法的流程示意图；

图6为本发明一实施例提供的异常数据检测装置的结构框图；

图7为本发明一实施例提供的终端设备的示意框图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参考图1，为本发明一实施例提供的异常数据检测方法的流程示意图。该方法包括：

S101：获取待处理数据。

在本实施例中，对待处理数据按照维度进行划分，每个维度的待处理数据均可生成一棵孤立树，所有维度的待处理数据生成的多棵孤立树形成孤立林。

S102：根据待处理数据生成孤立林。

在本实施例中，将待处理数据作为训练数据，可训练出多个孤立树，多个孤立树构成孤立林。

S103：基于孤立林确定待处理数据中每个数据点的深度平均值。

在本实施例中，完成异常数据点的孤立所需的划分数，即进行切割的次数大于完成正常数据点孤立所需要的划分数，因此可根据划分数，即每个数据点在孤立林中的深度值确定该数据点是否为异常数据，本发明实施例采用深度平均值以提高异常数据的检测准确率。

其中，孤立林由多棵孤立树组成，每个数据点在每棵孤立树中都对应一个深度值，所有孤立树深度值的平均值即为孤立林中数据点的深度平均值。例如，一个孤立林中包含有n棵孤立树，某个数据点在n棵孤立树中的深度值分别为D₁，D₂，D₃……D_n，则孤立林的深度平均值D＝(D₁+D₂+D₃……+D_n-1+D_n)÷n。

S104：若某一数据点的深度平均值大于预设深度值，则确定该数据点为异常数据。

在本实施例中，若数据点的深度平均值大于预设平均值，即说明该数据点在孤立林较浅层的位置，则确定该数据点为异常数据。

从上述描述可知，本发明实施例提供的异常数据检测方法先根据待处理数据分别从多个维度建立了孤立树，多个维度的孤立树组成孤立林，再使用待处理数据遍历孤立林确定待处理数据的深度平均值，根据该深度平均值确定异常数据从而实现对异常数据的快速检测。

请一并参考图1及图2，图2为本申请另一实施例提供的异常数据检测方法的流程示意图。在上述实施例的基础上，步骤S102可以详述为：

S201：根据待处理数据确定每棵孤立树的根节点。

在本实施例中，若待处理数据的数据量较小，则可直接将待处理数据作为样本数据放入孤立树的根节点。若待处理数据的数据量较大，则可从待处理数据中随机选择部分数据作为样本数据放入孤立树的根节点。

S202：根据预设切割点对待处理数据进行数据切割得到每棵孤立树的左孩子和右孩子，生成孤立林。

在本实施例中，每一次的数据切割，即样本数据中左孩子和右孩子的划分都对应一个预设切割点，为完成孤立树的建立，需不断对样本数据进行数据切割直到左孩子和右孩子满足预设切割条件。其中，所有孤立树组成一个孤立林。

请一并参考图1及图2，作为本发明实施例提供的异常数据检测方法的一种具体实施方式。在上述实施例的基础上，步骤S102还可以详述为：

S203：若左孩子和右孩子节点中只包含一个数据点，停止数据切割。

在本实施例中，预设切割条件即为左孩子和右孩子的节点中均只包含一个数据点，当对样本数据的数据切割达到该预设切割条件时，停止数据切割，完成孤立树的建立。

请一并参考图1及图3，图3为本发明再一实施例提供的异常数据检测方法的流程示意图，在上述实施例的基础上，该方法还可以包括：

S301：确定待处理数据的维度分布。

在本实施例中，为保证异常数据检测的准确性，本发明实施例使用孤立林对待处理数据进行检测，而非使用孤立树对待处理数据进行检测。为了建立孤立林，需要从不同维度建立孤立树，多个孤立树组成孤立林，从而提高异常数据检测的准确性。

S302：根据维度分布确定每个维度所对应的预设切割点。

在本实施例中，每个维度所对应的预设切割点为一个孤立树每层数据切割点的集合。

请一并参考图1及图4，图4为本申请又一实施例提供的异常数据检测方法的流程示意图。在上述实施例的基础上，步骤S302可以详述为：

S401：在预设维度中随机生成初始切割点。

在本实施例中，该随机生成的初始切割点的数据值大于预设维度中待处理数据的最小值，且小于预设维度中待处理数据的最大值。

S402：基于初始切割点对待处理数据进行模拟数据切割。

在本实施例中，使用随机生成的初始切割点对待处理数据进行模拟数据切割，直到模拟数据切割的结果满足预设切割结果，则停止模拟数据切割。其中，若数据量较大，可随机选取待处理数据中的部分数据进行模拟数据切割。

S403：若模拟数据切割结果满足预设切割结果，则确定初始切割点为预设切割点。

在本实施例中，预设切割结果即为左孩子中的数据量与右孩子中的数据量差值的绝对值不大于根节点数据量的5％。当模拟数据切割的结果满足前述预设切割结果时，则停止模拟数据切割，以当前的初始切割点作为预设切割点进行切割。

请一并参考图1至图5，图5为本申请又一实施例提供的异常数据检测方法的流程示意图。在上述实施例的基础上，数据切割或模拟数据切割的切割方法包括：

S501：若待处理数据中的数据点小于预设切割点或初始切割点，则确定数据点为当前节点的左孩子。

S502：若待处理数据中的数据点不小于预设切割点或初始切割点，则确定数据点为当前节点的右孩子。

在本实施例中，数据切割的切割方法，即左孩子和右孩子的划分方法为：若样本数据中的数据点小于切割点，则确定该数据点为当前根节点的左孩子。若样本数据中的数据点大于或等于切割点，则将该数据点作为当前根节点的右孩子。其中，样本数据可为待处理数据，也可为待处理数据中随机选取的部分数据。切割点为前述预设切割点或初始切割点。

对应于上文实施例的异常数据检测方法，图6为本发明一实施例提供的异常数据检测装置的结构框图。为了便于说明，仅示出了与本发明实施例相关的部分。参考图6，该装置可以包括：数据获取模块10、生成模块20、遍历模块30和检测模块40。

其中，数据获取模块10，用于获取待处理数据。

生成模块20，用于根据待处理数据生成孤立林。

遍历模块30，用于基于孤立林确定待处理数据中每个数据点的深度平均值。

检测模块40，用于若某一数据点的深度平均值大于预设深度值，则确定该数据点为异常数据。

参考图6，在本发明的另一个实施例中，生成模块20可以包括：

根节点确定单元21，用于根据待处理数据确定每棵孤立树的根节点。

子节点确定单元22，用于根据预设切割点对待处理数据进行数据切割得到每棵孤立树的左孩子和右孩子，生成孤立林。

参考图6，在本发明的再一个实施例中，生成模块20还可以包括：

判断单元23，用于若左孩子和右孩子节点中只包含一个数据点，停止数据切割。

参考图6，在本发明的又一个实施例中，异常数据检测装置还可以包括：

维度确定模块50，用于确定待处理数据的维度分布。

切割点确定模块60，用于根据维度分布确定每个维度所对应的预设切割点。

参考图6，在本发明的又一个实施例中，切割点确定模块60可以包括：

第一确定单元61，用于在预设维度中随机生成初始切割点，切割点的数据值大于预设维度中待处理数据的最小值，且小于预设维度中待处理数据的最大值。

模拟切割单元62，用于基于初始切割点对待处理数据进行模拟数据切割。

第二确定单元63，用于若模拟数据切割结果满足预设切割结果，则确定初始切割点为预设切割点。

参考图6，在本发明的又一个实施例中，数据切割或模拟数据切割的切割方法包括：

若待处理数据中的数据点小于预设切割点或初始切割点，则确定数据点为当前节点的左孩子。

若待处理数据中的数据点不小于预设切割点或初始切割点，则确定数据点为当前节点的右孩子。

参见图7，图7为本发明一实施例提供的一种终端设备的示意框图。如图7所示的本实施例中的终端600可以包括：一个或多个处理器601、一个或多个输入设备602、一个或多个输出设备603及一个或多个存储器604。上述处理器601、输入设备602、则输出设备603及存储器604通过通信总线605完成相互间的通信。存储器604用于存储计算机程序，计算机程序包括程序指令。处理器601用于执行存储器604存储的程序指令。其中，处理器601被配置用于调用程序指令执行以下操作上述各装置实施例中各模块/单元的功能，例如图6所示模块10至60的功能。

应当理解，在本发明实施例中，所称处理器601可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

输入设备602可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等，输出设备603可以包括显示器(LCD等)、扬声器等。

该存储器604可以包括只读存储器和随机存取存储器，并向处理器601提供指令和数据。存储器604的一部分还可以包括非易失性随机存取存储器。例如，存储器604还可以存储设备类型的信息。

具体实现中，本发明实施例中所描述的处理器601、输入设备602、输出设备603可执行本发明实施例提供的异常数据检测方法的第一实施例和第二实施例中所描述的实现方式，也可执行本发明实施例所描述的终端的实现方式，在此不再赘述。

在本发明的另一实施例中提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序包括程序指令，程序指令被处理器执行时实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

计算机可读存储介质可以是前述任一实施例的终端的内部存储单元，例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备，例如终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的终端和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种异常数据检测方法，其特征在于，包括：

获取待处理数据；

根据所述待处理数据生成孤立林；

基于所述孤立林确定所述待处理数据中每个数据点的深度平均值；

若某一数据点的深度平均值大于预设深度值，则确定该数据点为异常数据。

2.如权利要求1所述的异常数据检测方法，其特征在于，所述孤立林包括多个孤立树，所述根据所述待处理数据生成孤立林包括：

根据所述待处理数据确定每棵孤立树的根节点；

根据预设切割点对所述待处理数据进行数据切割得到每棵孤立树的左孩子和右孩子，生成所述孤立林。

3.如权利要求2所述的异常数据检测方法，其特征在于，所述根据所述待处理数据生成孤立林，还包括：

若所述左孩子和所述右孩子节点中只包含一个数据点，停止所述数据切割。

4.如权利要求2所述的异常数据检测方法，其特征在于，在根据预设切割点对所述待处理数据进行数据切割确定所述孤立树的左孩子和右孩子之前，所述根据所述待处理数据生成孤立林还包括：

确定所述待处理数据的维度分布；

根据所述维度分布确定每个维度所对应的预设切割点。

5.如权利要求4所述的异常数据检测方法，其特征在于，所述根据所述维度分布确定每个维度所对应的预设切割点，包括：

在预设维度中随机生成初始切割点，所述切割点的数据值大于所述预设维度中所述待处理数据的最小值，且小于所述预设维度中所述待处理数据的最大值；

基于所述初始切割点对所述待处理数据进行模拟数据切割；

若所述模拟数据切割结果满足预设切割结果，则确定所述初始切割点为预设切割点。

6.如权利要求3或4或5所述的异常数据检测方法，其特征在于，所述数据切割或所述模拟数据切割的切割方法包括：

若所述待处理数据中的数据点小于所述预设切割点或所述初始切割点，则确定所述数据点为当前节点的左孩子；

若所述待处理数据中的数据点不小于所述预设切割点或所述初始切割点，则确定所述数据点为当前节点的右孩子。

7.一种异常数据检测装置，其特征在于，包括：

数据获取模块，用于获取待处理数据；

生成模块，用于根据所述待处理数据生成孤立林；

遍历模块，用于基于所述孤立林确定所述待处理数据中每个数据点的深度平均值；

检测模块，用于若数据点的深度平均值大于预设深度值，则确定所述数据点为异常数据。

8.如权利要求7所述的异常数据检测装置，其特征在于，所述生成模块包括：

根节点确定单元，用于根据所述待处理数据确定所述孤立树的根节点；

子节点确定单元，用于根据预设切割点对所述待处理数据进行数据切割得到所述孤立树的左孩子和右孩子。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。