CN113553234A - 数据异常检测方法 - Google Patents
数据异常检测方法 Download PDFInfo
- Publication number
- CN113553234A CN113553234A CN202110815076.XA CN202110815076A CN113553234A CN 113553234 A CN113553234 A CN 113553234A CN 202110815076 A CN202110815076 A CN 202110815076A CN 113553234 A CN113553234 A CN 113553234A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- value
- index
- historical
- index value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 146
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3024—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a central processing unit [CPU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3037—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a memory, e.g. virtual memory, cache
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/324—Display of status information
- G06F11/327—Alarm or error message display
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开涉及一种数据异常检测方法,其中,方法包括:获取用于异常监控的指标和监控周期;获取多个历史监控周期内与所述指标对应的多个历史指标值;根据所述历史指标值进行预测,生成目标监控周期的预测区间;获取所述目标监控周期内与所述指标对应的监控指标值;比较所述监控指标值与所述预测区间,并在所述监控指标值处于所述预测区间外的情况下,确定所述监控指标值异常。根据本公开的技术方案将预测算法与实际预警业务结合,能够快速精准定位到数据异常,实现了对于业务核心指标的智能预警能力。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及一种数据异常检测方法。
背景技术
随着企业对精细化运营的重视程度的提高,对于核心数据的监控、异常检测具有普遍的需求。在广告行业、电商行业的各种场景中,企业是否能够快速精准定位到数据异常至关重要。
目前,预警技术采用的是自定义规则引擎的预警方式,通过对指标建立一系列规则引擎,例如设定同环比对比的阈值区间、设定特定值阈值范围等,***根据业务人员设定的预警规则进行对比后,触发预警通知。该方案需要业务人员具备一定的业务经验,且通过固定规则定位异常易产生误报、漏报,准确度有待提高。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种数据异常检测方法。
第一方面,本公开实施例提供了一种数据异常检测方法,包括:
获取用于异常监控的指标和监控周期;
获取多个历史监控周期内与所述指标对应的多个历史指标值;
根据所述历史指标值进行预测,生成目标监控周期的预测区间;
获取所述目标监控周期内与所述指标对应的监控指标值;
比较所述监控指标值与所述预测区间,并在所述监控指标值处于所述预测区间外的情况下,确定所述监控指标值异常。
第二方面,本公开实施例提供了一种数据异常检测装置,包括:
第一获取模块,用于获取用于异常监控的指标和监控周期;
第二获取模块,用于获取多个历史监控周期内与所述指标对应的多个历史指标值;
生成模块,用于根据所述历史指标值进行预测,生成目标监控周期的预测区间;
采集模块,用于获取所述目标监控周期内与所述指标对应的监控指标值;
确定模块,用于比较所述监控指标值与所述预测区间,并在所述监控指标值处于所述预测区间外的情况下,确定所述监控指标值异常。
第三方面,本公开实施例提供了一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述第一方面所述的数据异常检测方法。
第四方面,本公开实施例提供了一种计算机可读存储介质,所述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第一方面所述的数据异常检测方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点:将预测算法与实际预警业务结合,能够快速精准定位到数据异常,实现了对于业务核心指标的智能预警能力,帮助用户快速设置智能预警监控,简化了用户设置预警规则的操作。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案,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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例所提供的一种数据异常检测方法的流程示意图;
图2为本公开实施例所提供的另一种数据异常检测方法的流程示意图;
图3为本公开实施例所提供的一种产品的界面示意图;
图4为本公开实施例所提供的一种数据异常检测装置的结构示意图;
图5为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
图1为本公开实施例所提供的一种数据异常检测方法的流程示意图,本公开实施例可以适用于数据异常监控场景下,对数据异常进行监控,以确定数据异常点。本公开实施例提供的方法可以由数据异常检测装置来执行,该装置可以采用软件和/或硬件实现,并可集成在任意具有计算能力的电子设备上,例如智能手机、平板电脑等用户终端。
如图1所示,本公开实施例提供的数据异常检测方法可包括:
步骤101,获取用于异常监控的指标和监控周期。
本公开实施例中,可以获取指标和监控周期,以在监控周期内针对该指标进行数据采集。
其中,监控周期用于指示采集数据的时间段,监控周期可以是一天、一周,也可以是每天的固定时段等。本实施例中提供了两种监控方式示例,示例一按天监控,可以设置每周监控的天数,如周一或者每天;示例二按小时监控,可以设置每天监控的小时时段。
指标用于指示对何种数据进行异常监控,例如指标可以是点击量、下载次数、点击率等。
每一指标可对应一个或多个维度,例如维度可以是国家、城市、地区、设备型号、屏幕高度等。
每一维度可对应一个或多个维度值,例如对于城市这一维度,对应的维度值可以是北京、上海等。进一步的,本实施例中可以按总体/按分组维度值监控,例如,可以监控指标值,也可以对指标进行维度值划分,以预警不同维度值下指标值。
指标值是指基于指标监控得到的数据,例如,基于下载次数这一指标监控得到在北京这一维度值下的指标值为500次,在上海这一维度值下的指标值为700次。
步骤102,获取多个历史监控周期内与指标对应的多个历史指标值。
本公开实施例中,每个历史监控周期对应一个历史指标值,举例而言,监控周期为一天,指标为点击次数,可以获取前90天中每天监控得到的点击次数,即将获取的90个点击次数作为与指标对应的多个历史指标值。
进一步的,在本公开的一个实施例中,在按分组维度值监控的情况下,可以确定目标维度值,该目标维度值是从指标的所有维度值中确定的,进而,获取多个历史监控周期内与指标的目标维度值对应的多个历史指标值。例如,确定目标维度值为北京,则获取多个历史周期内在北京这一维度值下的多个历史指标值。
步骤103,根据历史指标值进行预测,生成目标监控周期的预测区间。
其中,预测区间用于判断监控指标值是否异常。
在本公开的一个实施例中,根据历史指标值进行预测,生成目标监控周期的预测区间,如图2所示,包括以下步骤:
步骤1031,构建预测模型和用于衡量预测值和真实值之间差异的目标函数。
本公开实施例中,预测模型包括趋势项、周期项和特殊事件项,该时间序列的预测模型输出为预测值,预测值=趋势项+周期项+特殊事件项。
其中,趋势项用于指示数据的总体变化趋势,例如缓慢上涨、逐步下降等。本实施例中,趋势项可包括线性模型和非线性饱和模型。
线性模型公式如下:
g(t)=(k+a(t)Tδ)t+(m+a(t)Tγ)
公式中,k为增长率,δ为增长率的变化量,m为偏移量,γ=(γ1,…,γs)T。
非线性饱和模型公式如下:
公式中,C为承载量,k为增长率,m为偏移量。
其中,周期项用于指示数据的周期性规律。
周期项公式如下:
公式中,P表示时间序列的周期。基于傅立叶级数,在不同的周期单位下考虑不同的周期跨度,例如,以年为周期对应365天,以周为周期对应7天,以一天为周期对应24小时等。
其中,特殊事件项用于表示特殊事件对预测值的影响,特殊事件包括但不限于节假日、对预测值有较大影响的特殊日期等。
本公开中的特殊事件项,采用如下方式得到:获取包含特殊事件的训练数据;根据训练数据中每一特殊事件的影响值计算平均值μ和标准差σ,并生成以μ为期望、以σ为标准差的正态分布表示;根据正态分布表示生成每一特殊事件对应的影响分量。
本实施例中,训练数据包括在周期内多个特殊事件的影响值,根据多个特殊事件的影响值计算平均值和标准差,分别记为μ和σ,其中σ表示波动的风险变化。假设所有特殊事件的影响服从一个以μ为期望和σ为标准差的正态分布,进而,根据每一个特殊事件,采用一个影响分量单独记录影响大小。结合正态分布和特殊事件的影响分量,可以应用到同类型的特殊事件中。进一步的,在确定目标监控周期的预测值时,确定目标监控周期对应的特殊事件,根据目标监控周期对应的特殊事件的影响分量,生成预测模型的特殊事件项,以根据生成的特殊事件项计算预测值。
其中,目标函数用于衡量预测值和真实值之间差异,可选的,目标函数是根据真实值与预测值之间差值的平方确定的。
步骤1032,根据历史指标值训练预测模型,以使预测模型输出的预测值和历史指标值满足目标函数取值最小。
本公开实施例中,对于每一历史指标值,可对应一预测值,优化目标为:根据多个历史监控周期的多个历史指标值,计算出一组模型参数能对历史数据的拟合的损失的平方最小,即优化目标如下Min((真实值-拟合值)^2)。
步骤1033,根据训练后的预测模型确定目标监控周期的预测值和预测区间。
本实施例中,根据训练后的预测模型生成目标监控周期的预测值,以及根据目标监控周期的预测值和趋势改变程度参数,生成目标监控周期的预测区间。
其中,趋势改变程度参数用于确定区间大小,可选的,趋势改变程度参数为0.8。由此,在确定区间大小和预测值后,可以根据区间大小生成包含该预测值的预测区间。
以下结合各应用场景对本公开方案进行说明。
作为一种示例,指标为广告位的点击量,监控周期为一天,历史数据包括广告位的点击量数据,获取前90天中每天监控得到的广告位的历史点击量,根据前90天的历史点击量以损失最小为优化目标对预测模型进行训练。其中,将节假日作为特殊事件,训练数据包括该特殊事件对点击量的影响值,根据特殊事件的影响值计算平均值μ和标准差σ,并生成以μ为期望、以σ为标准差的正态分布表示,进而确定特殊事件对应的影响分量。进而,将训练完成的预测模型用于生成当天的广告位点击量的预测区间,并将当天采集得到的广告位点击量与预测区间进行比较,以确定广告位点击量是否异常。需要说明的是,指标为广告位的展现、消费量的实现方式可以参照上述示例。由此,将预测算法与广告业务结合,实现对广告位点击量等指标的精准预警,实时监控广告位投放情况,确保广告位的正常投放。
作为另一种示例,指标为销售量,监控周期为一天,历史数据包括商品的销售量数据,获取前90天中每天监控得到的商品的历史销售量,根据前90天的历史销售量以损失最小为优化目标对预测模型进行训练。其中,将节假日作为特殊事件,训练数据包括该特殊事件对销售量的影响值,根据特殊事件的影响值确定正态分布表示,进而确定特殊事件对应的影响分量。进而,将训练完成的预测模型用于生成当天的商品销售量的预测区间,并将当天采集得到的商品销售量与预测区间进行比较,以确定商品销售量是否异常。由此,将预测算法与电商业务结合,实现对商品销售量等指标的精准预警,掌握销售实时数据变现,由此快速作出响应。
步骤104,获取目标监控周期内与指标对应的监控指标值。
本实施例中,在目标监控周期内针对该指标进行数据采集。得到对应的监控指标值。
进一步的,在本公开的一个实施例中,在按分组维度值监控的情况下,获取目标监控周期内与指标的目标维度值对应的监控指标值。举例而言,指标为某一应用程序的点击次数,目标维度值为北京,监控周期为一天,采集当天北京地区对于该应用程序的点击次数,作为监控指标值。
需要说明的是,步骤104与前述步骤102和103的顺序可以根据需要调整,此处不作限制。
步骤105,比较监控指标值与预测区间,并在监控指标值处于预测区间外的情况下,确定监控指标值异常。
本实施例中,通过历史数据训练得到的预测模型,可以对目标监控周期的监控指标值在正常情况下的取值范围进行精准预测,因此,若监控指标值处于预测区间外的情况下,确定监控指标值异常,并触发报警。若监控指标值处于预测区间内的情况下,确定监控指标值正常。例如,对于点击量指标、北京维度值,监控周期为一天,得到的预测区间[500,600],若监控指标值为500,确定监控指标值正常。
参照图3,图3为本公开实施例所提供的一种产品的界面示意图,该产品支持多种通知方式,包括产品的***通知、企业群通知、邮件通知等。
根据本公开实施例的技术方案,通过获取用于异常监控的指标和监控周期,获取多个历史监控周期内与指标对应的多个历史指标值,根据历史指标值进行预测,生成目标监控周期的预测区间;获取目标监控周期内与指标对应的监控指标值,并在监控指标值处于预测区间外的情况下,确定监控指标值异常,由此,相比于采用自定义规则引擎进行预警的方式,通过将预测算法与实际预警业务结合,能够快速精准定位到数据异常,实现了对于业务核心指标的智能预警能力,将企业需要精准定位异常指标的痛点通过产品能力进行解决,帮助用户快速设置智能预警监控,简化了用户设置预警规则的操作。此外,通过维度值进行分组监控,实现不同颗粒度下的数据异常检测,以适应不同场景下的需求。
图4为本公开实施例所提供的一种数据异常检测装置的结构示意图,如图4所示,该数据异常检测装置包括:第一获取模块41,第二获取模块42,生成模块43,采集模块44,确定模块45。
其中,第一获取模块41,用于获取用于异常监控的指标和监控周期。
第二获取模块42,用于获取多个历史监控周期内与指标对应的多个历史指标值。
生成模块43,用于根据历史指标值进行预测,生成目标监控周期的预测区间。
采集模块44,用于获取目标监控周期内与指标对应的监控指标值。
确定模块45,用于比较监控指标值与所述预测区间,并在监控指标值处于预测区间外的情况下,确定监控指标值异常。
在本公开的一个实施例中,生成模块43具体用于:构建预测模型和用于衡量预测值和真实值之间差异的目标函数,其中,所述预测模型包括趋势项、周期项和特殊事件项;根据所述历史指标值训练所述预测模型,以使所述预测模型输出的预测值和所述历史指标值满足所述目标函数取值最小;根据训练后的预测模型确定目标监控周期的预测值和预测区间。
在本公开的一个实施例中,目标函数是根据真实值与预测值之间差值的平方确定的。
在本公开的一个实施例中,该装置还包括:训练模块,用于获取包含特殊事件的训练数据;根据所述训练数据中每一特殊事件的影响值计算平均值μ和标准差σ,并生成以μ为期望、以σ为标准差的正态分布表示;根据所述正态分布表示生成每一特殊事件对应的影响分量。本实施例中,根据训练后的预测模型确定目标监控周期的预测值,包括:确定所述目标监控周期对应的特殊事件;根据所述目标监控周期对应的特殊事件的影响分量,生成所述预测模型的特殊事件项,以根据生成的特殊事件项计算预测值。
在本公开的一个实施例中,根据训练后的预测模型确定目标监控周期的预测值和预测区间,包括:根据训练后的预测模型生成目标监控周期的预测值;根据所述目标监控周期的预测值和趋势改变程度参数,生成所述目标监控周期的预测区间。
在本公开的一个实施例中,第二获取模块42具体用于:确定目标维度值,所述目标维度值是从指标的所有维度值中确定的;获取多个历史监控周期内与所述指标的目标维度值对应的多个历史指标值。采集模块44具体用于:获取目标监控周期内与所述指标的目标维度值对应的监控指标值。
本公开实施例所提供的数据异常检测装置可执行本公开实施例所提供的任意数据异常检测方法,具备执行方法相应的功能模块和有益效果。本公开装置实施例中未详尽描述的内容可以参考本公开任意方法实施例中的描述。
图5为本公开实施例提供的一种电子设备的结构示意图。如图5所示,电子设备600包括一个或多个处理器601和存储器602。
处理器601可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备600中的其他组件以执行期望的功能。
存储器602可以包括一个或多个计算机程序产品,计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器601可以运行程序指令,以实现上文的本公开的实施例的方法以及/或者其他期望的功能。在计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中,电子设备600还可以包括:输入装置603和输出装置604,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。此外,该输入装置603还可以包括例如键盘、鼠标等等。该输出装置604可以向外部输出各种信息,包括确定出的距离信息、方向信息等。该输出装置604可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图5中仅示出了该电子设备600中与本公开有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备600还可以包括任何其他适当的组件。
除了上述方法和设备以外,本公开的实施例还可以是计算机程序产品,其包括计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行本公开实施例所提供的任意方法。
计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本公开的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行本公开实施例所提供的任意方法。
计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种数据异常检测方法,其特征在于,包括:
获取用于异常监控的指标和监控周期;
获取多个历史监控周期内与所述指标对应的多个历史指标值;
根据所述历史指标值进行预测,生成目标目标监控周期的预测区间;
获取所述目标目标监控周期内与所述指标对应的监控指标值;
比较所述监控指标值与所述预测区间,并在所述监控指标值处于所述预测区间外的情况下,确定所述监控指标值异常。
2.如权利要求1所述的方法,其特征在于,所述根据所述历史指标值进行预测,生成目标监控周期的预测区间,包括:
构建预测模型和用于衡量预测值和真实值之间差异的目标函数,其中,所述预测模型包括趋势项、周期项和特殊事件项;
根据所述历史指标值训练所述预测模型,以使所述预测模型输出的预测值和所述历史指标值满足所述目标函数取值最小;
根据训练后的预测模型确定目标监控周期的预测值和预测区间。
3.如权利要求2所述的方法,其特征在于,所述目标函数是根据真实值与预测值之间差值的平方确定的。
4.如权利要求2所述的方法,其特征在于,还包括:
获取包含特殊事件的训练数据;
根据所述训练数据中每一特殊事件的影响值计算平均值μ和标准差σ,并生成以μ为期望、以σ为标准差的正态分布表示;
根据所述正态分布表示生成每一特殊事件对应的影响分量;
所述根据训练后的预测模型确定目标监控周期的预测值,包括:
确定所述目标监控周期对应的特殊事件;
根据所述目标监控周期对应的特殊事件的影响分量,生成所述预测模型的特殊事件项,以根据生成的特殊事件项计算预测值。
5.如权利要求2所述的方法,其特征在于,所述根据训练后的预测模型确定目标监控周期的预测值和预测区间,包括:
根据训练后的预测模型生成目标监控周期的预测值;
根据所述目标监控周期的预测值和趋势改变程度参数,生成所述目标监控周期的预测区间。
6.如权利要求1所述的方法,其特征在于,所述获取多个历史监控周期内与所述指标对应的多个历史指标值,包括:
确定目标维度值,所述目标维度值是从所述指标的所有维度值中确定的;
获取多个历史监控周期内与所述指标的目标维度值对应的多个历史指标值;
所述获取所述目标监控周期内与所述指标对应的监控指标值,包括:
获取所述目标监控周期内与所述指标的目标维度值对应的监控指标值。
7.一种数据异常检测装置,其特征在于,包括:
第一获取模块,用于获取用于异常监控的指标和监控周期;
第二获取模块,用于获取多个历史监控周期内与所述指标对应的多个历史指标值;
生成模块,用于根据所述历史指标值进行预测,生成目标监控周期的预测区间;
采集模块,用于获取所述目标监控周期内与所述指标对应的监控指标值;
确定模块,用于比较所述监控指标值与所述预测区间,并在所述监控指标值处于所述预测区间外的情况下,确定所述监控指标值异常。
8.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-6中任一所述的数据异常检测方法。
9.一种计算机可读存储介质,其特征在于,所述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权利要求1-6中任一所述的数据异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110815076.XA CN113553234A (zh) | 2021-07-19 | 2021-07-19 | 数据异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110815076.XA CN113553234A (zh) | 2021-07-19 | 2021-07-19 | 数据异常检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113553234A true CN113553234A (zh) | 2021-10-26 |
Family
ID=78132158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110815076.XA Pending CN113553234A (zh) | 2021-07-19 | 2021-07-19 | 数据异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113553234A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113778836A (zh) * | 2021-11-11 | 2021-12-10 | 深圳市明源云科技有限公司 | 云原生应用健康监测方法、装置、设备与可读存储介质 |
CN115329856A (zh) * | 2022-08-04 | 2022-11-11 | 国网江苏省电力有限公司电力科学研究院 | 应用于一体式间隔设备综合测试模块的故障预警方法和*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008079A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 监控指标异常检测方法、模型训练方法、装置及设备 |
CN111984503A (zh) * | 2020-08-17 | 2020-11-24 | 网宿科技股份有限公司 | 一种监控指标数据异常数据识别的方法及装置 |
CN112566143A (zh) * | 2019-09-10 | 2021-03-26 | ***通信集团浙江有限公司 | 负载均衡方法、装置及计算设备 |
-
2021
- 2021-07-19 CN CN202110815076.XA patent/CN113553234A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008079A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 监控指标异常检测方法、模型训练方法、装置及设备 |
CN112566143A (zh) * | 2019-09-10 | 2021-03-26 | ***通信集团浙江有限公司 | 负载均衡方法、装置及计算设备 |
CN111984503A (zh) * | 2020-08-17 | 2020-11-24 | 网宿科技股份有限公司 | 一种监控指标数据异常数据识别的方法及装置 |
Non-Patent Citations (1)
Title |
---|
许潘: "结合舆情和Prophet-BP模型的猪肉价格预测研究", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》, no. 05, 15 May 2021 (2021-05-15), pages 149 - 165 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113778836A (zh) * | 2021-11-11 | 2021-12-10 | 深圳市明源云科技有限公司 | 云原生应用健康监测方法、装置、设备与可读存储介质 |
CN115329856A (zh) * | 2022-08-04 | 2022-11-11 | 国网江苏省电力有限公司电力科学研究院 | 应用于一体式间隔设备综合测试模块的故障预警方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10387900B2 (en) | Methods and apparatus for self-adaptive time series forecasting engine | |
US8631040B2 (en) | Computer-implemented systems and methods for flexible definition of time intervals | |
EP2778872B1 (en) | Industrial asset event chronology | |
US20170371757A1 (en) | System monitoring method and apparatus | |
US12002063B2 (en) | Method and system for generating ensemble demand forecasts | |
US11258683B2 (en) | Web services platform with nested stream generation | |
US20190236497A1 (en) | System and method for automated model selection for key performance indicator forecasting | |
CN113553234A (zh) | 数据异常检测方法 | |
CA2833521A1 (en) | Competitive price alert system with competitive price rules engine | |
US11017330B2 (en) | Method and system for analysing data | |
US20220277331A1 (en) | Systems and methods for procurement cost forecasting | |
JP2015103018A (ja) | 行動パターン分析装置および行動パターン分析方法 | |
CN110929965A (zh) | 一种项目风险评估方法及装置 | |
CN109560977A (zh) | 网站业务监控方法、装置、存储介质、处理器及电子设备 | |
CN113128787A (zh) | 话务量预测方法、***、设备及介质 | |
WO2020086872A1 (en) | Method and system for generating ensemble demand forecasts | |
CN111666191A (zh) | 数据质量监控方法、装置、电子设备及存储介质 | |
CN111447193A (zh) | 一种针对实时数据流进行异常检测的方法及装置 | |
US20230052619A1 (en) | Real-time error prevention during invoice creation | |
JP2007122264A (ja) | 経営または需要の予測システムおよびこれに用いる予測プログラム | |
CN115526663A (zh) | 一种策划文案的推广效果量化方法、设备及介质 | |
US20180174174A1 (en) | Trend-based data anlysis | |
WO2022122811A1 (en) | Forecasting system and method | |
JP2020135520A (ja) | 計算機システム及び施設の監視方法 | |
CN112308295B (zh) | 违约概率预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |