一种基于深度学习的时间序列异常检测系统

摘要

本发明公开了一种基于深度学习的时间序列异常检测系统，包括用户、检测模块、显示模块、报警模块和电源模块，用户和检测模块相连接，显示模块和报警模块均与检测模块相连接，电源模块分别为报警模块、检测模块和显示模块供电，本发明中，通过保持数据异常的标准以及阈值，实时检测时间序列数据，并且能够根据当前时间序列的趋势，进而计算超过阈值所需要的时间，并提前进行报警，进而进一步的保障了病人的安全，节省了大量的人力物力。

说明书

技术领域

本发明涉及异常检测系统技术领域，尤其涉及一种基于深度学习的时间序列异常检测系统。

背景技术

深度学习是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。

时间序列中的异常往往可以反映出系统的异常，例如在心电图数据中，心脏疾病所导致的异常也会反映在心电图数据中，但是现有的针对时间序列数据的异常检测不能帮助人们尽早发现异常，并采取适当措施避免异常，所以我们提出了一种基于深度学习的时间序列异常检测系统，用以解决上述所提出的问题。

发明内容

基于背景技术存在的技术问题，本发明提出了一种基于深度学习的时间序列异常检测系统。

本发明提出的一种基于深度学习的时间序列异常检测系统，包括用户、检测模块、显示模块、报警模块和电源模块，用户和检测模块相连接，显示模块和报警模块均与检测模块相连接，电源模块分别为报警模块、检测模块和显示模块供电。

进一步的，检测模块的运行包括以下步骤：

S1、确定数据异常的标准，并保存；

S2、确定数据异常的阈值，并保存；

S3、输入实时的时间序列数据，判断数据是否异常；

S4、若数据无异常，则返回S3，若数据异常，则进行下一步；

S5、与前N个时间序列数据进行对比，判断数据变化趋势，并及时超过阈值所需要的时间；

S6、判断时间是否小于T，若时间大于T则返回S2，若时间小于T，则进行一级报警并进行下一步；

S7、判断数据是否超过阈值，若未超过阈值，则返回S2，若超出阈值，则进行二级警报。

进一步的，所述步骤S1中数据异常的标准可以根据实际情况进行修改。

进一步的，所述步骤S2中数据异常的阈值可以根据实际情况进行修改。

进一步的，所述步骤S5中的N可以根据实际情况进行修改。

进一步的，所述步骤S6中的T可以根据病人的情况以及医护人员能及时赶到的时间进行修改。

本发明中，通过保持数据异常的标准以及阈值，实时检测时间序列数据，并且能够根据当前时间序列的趋势，进而计算超过阈值所需要的时间，并提前进行报警，进而进一步的保障了病人的安全，节省了大量的人力物力。

附图说明

图1为本发明的工作流程图；

图2为本发明的系统框图。

具体实施方式

下面结合具体实施例对本发明作进一步解说。

如图1-2所示，一种基于深度学习的时间序列异常检测系统，包括用户、检测模块、显示模块、报警模块和电源模块，用户和检测模块相连接，显示模块和报警模块均与检测模块相连接，电源模块分别为报警模块、检测模块和显示模块供电。

本发明中，检测模块的运行包括以下步骤：

S1、确定数据异常的标准，并保存；

S2、确定数据异常的阈值，并保存；

S3、输入实时的时间序列数据，判断数据是否异常；

S4、若数据无异常，则返回S3，若数据异常，则进行下一步；

S5、与前N个时间序列数据进行对比，判断数据变化趋势，并及时超过阈值所需要的时间；

S6、判断时间是否小于T，若时间大于T则返回S2，若时间小于T，则进行一级报警并进行下一步；

S7、判断数据是否超过阈值，若未超过阈值，则返回S2，若超出阈值，则进行二级警报。

本发明中，所述步骤S1中数据异常的标准可以根据实际情况进行修改。

本发明中，所述步骤S2中数据异常的阈值可以根据实际情况进行修改。

本发明中，所述步骤S5中的N可以根据实际情况进行修改。

本发明中，所述步骤S6中的T可以根据病人的情况以及医护人员能及时赶到的时间进行修改。

以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。