【CN110032670A】时序数据的异常检测方法、装置、设备及存储介质【专利】

(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号
(43)申请公布日
(21)申请号 201910308733.4
(22)申请日 2019.04.17
(71)申请人 腾讯科技（深圳）有限公司
地址 518057 广东省深圳市南山区高新区
科技中一路腾讯大厦35层

(72)发明人 王月瑶　刘伟　洪楷　雷航　
陈乃华　

(74)专利代理机构 北京三高永信知识产权代理
有限责任公司 11138
代理人 张所明

(51)Int.Cl.
G06F 16/906
(2019.01)

(54)发明名称
时序数据的异常检测方法、装置、设备及存
储介质
(57)摘要
本申请公开了一种时序数据的异常检测方
法、装置、设备及存储介质，属于互联网技术领
域。方法包括：获取不同业务的时序数据；对获取
到的各项时序数据的时序曲线进行分类，时序曲
线描述了时序数据随时间的变化趋势；对于任意
一项时序数据，确定与该时序数据的时序曲线的
分类类别匹配的目标预测方式，基于目标预测方
式对时序数据进行预测，得到预测数据，将时序
数据与预测数据进行比对，得到时序数据中包括
的异常数据值。本申请实现了针对不同的曲线形
态自动地选择相应的方式进行异常点检测，由于
对不同类型的时序曲线进行了分类，充分考虑了
不同曲线的形态，因此适用于对任意一个业务的
时序数据进行异常检测，提升了异常检测的准确
性，效果较佳。

权利要求书2页 说明书17页 附图14页
CN 110032670 A
2019.07.19

C
N
1
1
0
0
3
2
6
7
0
A
1.一种时序数据的异常检测方法，其特征在于，所述方法包括：
获取不同业务的时序数据；
对获取到的各项时序数据的时序曲线进行分类，所述时序曲线描述了所述时序数据随
时间的变化趋势；
对于任意一项时序数据，确定与所述时序数据的时序曲线的分类类别匹配的目标预测
方式，基于所述目标预测方式对所述时序数据进行预测，得到预测数据，将所述时序数据与
所述预测数据进行比对，得到所述时序数据中包括的异常数据值。
2.根据权利要求1所述的方法，其特征在于，所述对获取到的各项时序数据的时序曲线
进行分类，包括：
获取各个时序曲线的波动值，所述波动值反应所述时序曲线的波动频繁度；
对所述各个时序曲线的波动值进行聚类，得到多个初始分类；
在所述多个初始分类中确定数据值最大的第一分类；
将所述多个初始分类中除所述第一分类之外的剩余分类进行合并，得到第二分类，所
述第一分类的曲线平缓度大于所述第二分类的曲线平缓度，所述第一分类的曲线周期性大
于所述第二分类的曲线周期性。
3.根据权利要求2所述的方法，其特征在于，所述获取各个时序曲线的波动值，包括：
对于任意一个时序曲线，获取相应的时序数据的差分序列；
确定所述差分序列的第一四分位数和第三四分位数；
根据所述第一四分位数和所述第三四分位数，分别确定所述差分序列的高点阈值和低
点阈值；
获取所述差分序列中大于所述高点阈值以及小于所述低点阈值的数据值个数，将所述
数据值个数作为所述时序曲线的波动值。
4.根据权利要求1所述的方法，其特征在于，所述确定与所述时序数据的时序曲线的分
类类别匹配的目标预测方式，基于所述目标预测方式对所述时序数据进行预测，包括：
当所述时序曲线的分类类别为第一分类时，基于与所述第一分类匹配的第一预测算法
对所述时序数据进行预测，得到所述预测数据；或，
当所述时序曲线的分类类别为第二分类时，基于与所述第二分类匹配的第二预测算法
对所述时序数据进行预测，得到所述预测数据。
5.根据权利要求4所述的方法，其特征在于，所述基于与所述第一分类匹配的第一预测
算法对所述时序数据进行预测，得到所述预测数据，包括：
对于所述时序数据，获取当前时间窗口内各个数据值的平均值，得到一个预测值；
按照第一预设步长滑动时间窗口，获取下一个时间窗口内各个数据值的平均值，得到
另一个预测值；
重复执行滑动时间窗口并获取平均值的步骤，直至最后一个时间窗口，得到所述预测
数据。
6.根据权利要求4所述的方法，其特征在于，所述基于与所述第二分类匹配的第二预测
算法对所述时序数据进行预测，得到所述预测数据，包括：
对于所述时序数据，获取当前时间窗口内各个数据值的指数加权平均值，得到一个预
测值；

权　利　要　求　书
1/2页

2
CN 110032670 A