-
公开(公告)号：CN110071913A
公开(公告)日：2019-07-30
申请号：CN201910234623.8
申请日：2019-03-26
Applicant: 同济大学
Abstract: 本发明涉及一种基于无监督学习的时间序列异常检测方法，包括：将时间序列数据在其显著变化的位置进行切分，并对每一个切分后的数据段填补至设定长度；使用正常状态下的时间序列切分并填补后的多个数据段训练一个用于异常检测的神经网络；将由待检测时间序列切分并填补后的多个数据段作为异常检测模型的输入进行检测，并输出异常得分；判断异常得分是否超过阈值，若为是，则判断发生异常，反之，则判断未发生异常。与现有技术相比，本发明具有不依赖有标记的异常数据、不丢失数据信息、性能优等优点。
-
Patent Agency Ranking
公开(公告)号：CN109886292B
公开(公告)日：2021-05-11
申请号：CN201910021043.0
申请日：2019-01-09
Applicant: 同济大学
Abstract: 本发明涉及一种基于异常关联图的异常原因诊断方法，首先在线收集系统中所有组件的性能指标数据；然后对于各组件，判断是否存在与该组件存在关联关系的组件，若为是，则将这两个组件的性能指标输入异常预测模块，并接收异常预测模块返回的预诊断结果，若为存在故障，则在异常关联图中连接这两个组件对应的节点；反之将该组件的性能指标输入异常预测模块，并接收异常预测模块返回的预诊断结果，若为存在故障，则在异常关联图中连接该组件和一虚拟节点；然后基于异常关联图诊断得到异常原因。与现有技术相比，本发明可以提高异常原因诊断的效率和准确率。
-
公开(公告)号：CN109886292A
公开(公告)日：2019-06-14
申请号：CN201910021043.0
申请日：2019-01-09
Applicant: 同济大学
Abstract: 本发明涉及一种基于异常关联图的异常原因诊断方法，首先在线收集系统中所有组件的性能指标数据；然后对于各组件，判断是否存在与该组件存在关联关系的组件，若为是，则将这两个组件的性能指标输入异常预测模块，并接收异常预测模块返回的预诊断结果，若为存在故障，则在异常关联图中连接这两个组件对应的节点；反之将该组件的性能指标输入异常预测模块，并接收异常预测模块返回的预诊断结果，若为存在故障，则在异常关联图中连接该组件和一虚拟节点；然后基于异常关联图诊断得到异常原因。与现有技术相比，本发明可以提高异常原因诊断的效率和准确率。
-
公开(公告)号：CN109492193A
公开(公告)日：2019-03-19
申请号：CN201811627720.5
申请日：2018-12-28
Applicant: 同济大学
Abstract: 本发明涉及一种基于深度机器学习模型的异常网络数据生成与预测方法，包括：步骤S1：收集系统组件的历史性能指标数据，并训练异常预测模型；步骤S2：在线收集系统中所有组件的性能指标数据；步骤S3：判断各组件是否存在与其有关联关系的组件，若为是，则执行步骤S4，反之，则执行步骤S5；步骤S4：将两个组件的数据组合成二元组，计算该二元组的残差值，并输入至该二元组对应的异常预测模型，并执行步骤S6；步骤S5：搜索该组件对应的异常预测模型，将该组件的性能指标数据输入至该组件所对应的异常预测模型，并执行步骤S6；步骤S6：判断模型输出的预测结果，若为是存在异常，则进行报警。与现有技术相比，本发明克服了异常预测系统训练时出现的样本不均衡问题，提高模型预测性能。
-
公开(公告)号：CN109492193B
公开(公告)日：2020-11-27
申请号：CN201811627720.5
申请日：2018-12-28
Applicant: 同济大学
Abstract: 本发明涉及一种基于深度机器学习模型的异常网络数据生成与预测方法，包括：步骤S1：收集系统组件的历史性能指标数据，并训练异常预测模型；步骤S2：在线收集系统中所有组件的性能指标数据；步骤S3：判断各组件是否存在与其有关联关系的组件，若为是，则执行步骤S4，反之，则执行步骤S5；步骤S4：将两个组件的数据组合成二元组，计算该二元组的残差值，并输入至该二元组对应的异常预测模型，并执行步骤S6；步骤S5：搜索该组件对应的异常预测模型，将该组件的性能指标数据输入至该组件所对应的异常预测模型，并执行步骤S6；步骤S6：判断模型输出的预测结果，若为是存在异常，则进行报警。与现有技术相比，本发明克服了异常预测系统训练时出现的样本不均衡问题，提高模型预测性能。
-
公开(公告)号：CN110071913B
公开(公告)日：2020-10-02
申请号：CN201910234623.8
申请日：2019-03-26
Applicant: 同济大学
Abstract: 本发明涉及一种基于无监督学习的时间序列异常检测方法，包括：将时间序列数据在其显著变化的位置进行切分，并对每一个切分后的数据段填补至设定长度；使用正常状态下的时间序列切分并填补后的多个数据段训练一个用于异常检测的神经网络；将由待检测时间序列切分并填补后的多个数据段作为异常检测模型的输入进行检测，并输出异常得分；判断异常得分是否超过阈值，若为是，则判断发生异常，反之，则判断未发生异常。与现有技术相比，本发明具有不依赖有标记的异常数据、不丢失数据信息、性能优等优点。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
