本发明涉及时序数据异常检测，特别是涉及一种基于时序数据异常检测系统、方法和存储介质。
背景技术：
1、时间序列异常检测是数据分析、信号处理、机器学习和统计学领域的重要应用和研究焦点，属于数据科学与人工智能的核心议题之一。该领域涵盖多个研究方向，其中主流问题之一即为时间序列数据的异常检测。鉴于时间序列数据可转化为高维数据序列，研究者可运用多种数据分析技术对其进行深入分析，提取有效的特征信息，并识别出异常点或异常行为，以揭示时间序列数据中潜在的规律和意义，进而实现异常检测的目标。因此，基于多种检测目标函数的异常检测技术是实现高精度异常检测的关键方法之一。
2、在时间序列数据的分析中，这些数据可被视为多个时间点上多个传感器数据的集合。因此，通过考虑传感器间的关系，可以对时间序列数据进行更为深入的分析。当前的异常检测技术已能在时间序列数据中有效识别异常。然而，目前大多数异常检测技术主要依赖于单一传感器的目标函数，这意味着它们仅能检测特定类型的异常。实际上，检测目标函数存在多种表达形式，这些不同的表达形式会对检测结果产生不同的影响。单一目标函数仅是特殊情况之一，且该特殊情况并不一定对应最优的异常检测结果。因此，现有技术的检测方法存在显著的局限性。
技术实现思路
1、本发明旨在至少解决现有技术中检测方法存在显著的局限性的技术问题，特别创新地提出了一种基于时序数据异常检测系统、方法和存储介质。
2、为了实现本发明的上述目的，本发明提供了一种基于时序数据异常检测系统，所述系统包括：
3、采集模块，用于采集设备的时序数据；
4、接收模块，与所述采集模块连接，用于接收所述时序数据；
5、时序周期提取模块，与所述接收模块连接，用于提取所述时序数据中的周期性特征；
6、异常检测模块，与所述时序周期提取模块连接，用于利用所述时序数据中不同的所述周期性特征与对应的异常检测函数进行匹配，对所述时序数据进行检测，获得若干异常检测结果，将若干所述异常检测结果进行融合，生成异常检测报告；
7、存储模块，与所述接收模块和异常检测模块连接，用于存储所述时序数据和异常检测报告。
8、作为本发明的一种可选实施例，可选地，所述时序周期提取模块提取时序数据中的所述周期性特征的表达式为：
9、
10、其中，x(·)表示时序数据，k表示频率索引大小，t表示传感器序号，ν表示时序数据的第ν列，x(·)表示时间序列，e表示自然底数。
11、作为本发明的一种可选实施例，可选地，所述异常检测模块包括：
12、参数初始化单元，用于对所述系统进行参数初始化；
13、提取单元，与参数初始化单元、所述存储模块和时序周期提取模块连接，用于利用不同的所述周期性特征获取所述时序数据中不同维的隐特征，所述隐特征包括邻居时序隐特征矩阵和周期时序数据隐特征矩阵，利用所述隐特征，获取若干异常检测结果，将若干所述异常检测结果进行融合，生成异常检测报告；
14、结果输出单元，与所述提取单元和所述存储模块连接，用于获取所述异常检测报告中最大异常分数对应的检测结果，并将该检测结果作为最终异常检测结果。
15、作为本发明的一种可选实施例，可选地，所述提取单元获取异常检测结果的步骤包括：
16、a1、利用所述不同的所述周期性特征和所述异常检测函数构造损失函数；
17、a2、判断所述参数中的迭代控制变量是否已达到上线；
18、若是，则计算邻居时序隐特征矩阵和周期时序数据隐特征矩阵，并根据所述邻居时序隐特征矩阵和周期时序数据隐特征矩阵计算检测结果；
19、若否，则判断损失函数是否在传感器特征向量和权重矩阵上收敛；
20、a3、若是，则计算邻居时序隐特征矩阵和周期时序数据隐特征矩阵，并根据所述邻居时序隐特征矩阵和周期时序数据隐特征矩阵计算检测结果；
21、若否，则利用梯度下降算法对所述损失函数进行优化，并重复步骤a2至a3。
22、作为本发明的一种可选实施例，可选地，所述造损失函数的表达式为：
23、
24、其中，表示进行拼接后的传感器i向量，vi表示传感器特征向量，表示拼接操作，w表示权重矩阵，表示时间序列，π(,)表示注意力系数，i表示传感器i，j表示传感器j，leakyrelu(·)表示激活函数，a⊥(·)表示注意机制的学习系数向量，表示进行拼接后的传感器j的向量，ai,j表示传感器i对传感器j的注意力系数，表示传感器i的邻居，∪表示并集，exp(·)表示指数函数，z′i表示传感器i的图卷积结果，表示元素相乘，表示传感器i的表示，π(i,k)表示传感器i和传感器k之间的注意力系数，oi,f表示根据周期f提取到的一维卷积结果，conv1d(·)表示一维卷积，oi表示一维卷积结果，表示周期f对应的权重，表示时间步长t的传感器预测值向量，fθ{·}表示堆叠全连接层，on表示传感器n的一维卷积结果，z′n表示传感器n的图卷积结果，lmse表示最小损失值，ttrain表示训练数据长度，w表示滑动窗口大小，st表示时间步长t的传感器真实值向量，||·||2表示二范数。
25、作为本发明的一种可选实施例，可选地，在步骤a3中所述利用梯度下降算法对所述损失函数进行优化包括：
26、
27、其中，表示迭代时损失函数对v的梯度，v表示传感器特征向量，表示偏导数，l表示损失值，表示迭代时损失函数对w的梯度，w表示权重矩阵，vt+1表示第t+1次迭代时的传感器特征向量，vt表示第t次迭代时的传感器特征向量，δ表示学习率，wt+1表示第t+1次迭代时的权重矩阵，wt表示表示第t次迭代时的权重矩阵。
28、作为本发明的一种可选实施例，可选地，在步骤a2中根据所述邻居时序隐特征矩阵和周期时序数据隐特征矩阵计算检测结果的表达式为：
29、
30、其中，erri(·)表示传感器i的异常得分，t表示时间步长，|·|表示取模，表示时间步长t的传感器i的真实值，表示时间步长t的传感器i的预测值，ai(t)表示传感器i归一化后的异常得分，表示均值，表示标准差，a(·)表示最终异常得分，表示i个异常得分中的最大值。
31、另一方面本发明还提供一种基于时序数据异常检测方法，所述方法包括所述的基于时序数据异常检测系统。
32、作为本发明的另一种可选实施例，可选地，所述方法还包括：
33、s1、采集时序数据；
34、s2、利用傅里叶变换提取所述时序数据中的周期性特征；
35、s3、对所述检测系统进行参数初始化；
36、s4、利用所述时序数据中不同的所述周期性特征和异常检测函数构造损失函数；
37、s5、判断所述参数中的迭代控制变量是否已达到上线；
38、若是，则计算邻居时序隐特征矩阵和周期时序数据隐特征矩阵，并根据所述邻居时序隐特征矩阵和周期时序数据隐特征矩阵计算检测结果；
39、若否，则判断损失函数是否在传感器特征向量和权重矩阵上收敛；
40、s6、若是，则计算邻居时序隐特征矩阵和周期时序数据隐特征矩阵，并根据所述邻居时序隐特征矩阵和周期时序数据隐特征矩阵计算检测结果；
41、若否，则利用梯度下降算法对所述损失函数进行优化，并重复步骤s5至s6；
42、s7、将所述检测结果进行融合，生成异常检测报告。
43、本发明的有益效果在于，本发明通过在设备上采集时序数据，并将时序数据进行傅里叶变换以提取周期性特征，并利用时序数据中不同的周期性特征与系统中对应的异常检测函数进行匹配，对时序数据进行检测，获得若干异常检测结果，从而能够更准确地识别和检测异常情况，解决现有技术中检测方法存在显著的局限性的技术问题。本发明还通过构造损失函数并利用梯度下降算法对系统进行优化，使得本发明的系统能够有效地适应不同设备和场景下的异常检测需求。此外，本发明还能够通过邻居时序隐特征矩阵和周期时序数据隐特征矩阵的计算，进一步提高检测的准确性和鲁棒性。
44、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
1.一种基于时序数据异常检测系统，其特征在于，所述系统包括：
2.如权利要求1所述的一种基于时序数据异常检测系统，其特征在于，所述时序周期提取模块提取时序数据中的所述周期性特征的表达式为：
3.如权利要求1所述的一种基于时序数据异常检测系统，其特征在于，所述异常检测模块包括：
4.如权利要求3所述的一种基于时序数据异常检测系统，其特征在于，所述提取单元获取异常检测结果的步骤包括：
5.如权利要求4所述的一种基于时序数据异常检测系统，其特征在于，所述造损失函数的表达式为：
6.如权利要求4所述的一种基于时序数据异常检测系统，其特征在于，在步骤a3中所述利用梯度下降算法对所述损失函数进行优化包括：
7.如权利要求4所述的一种基于时序数据异常检测系统，其特征在于，在步骤a2中根据所述邻居时序隐特征矩阵和周期时序数据隐特征矩阵计算检测结果的表达式为：
8.一种基于时序数据异常检测方法，其特征在于，所述方法包括如权利要求1至7任一项所述的基于时序数据异常检测系统。
9.如权利要求8所述的一种基于时序数据异常检测方法，其特征在于，所述方法还包括：
10.一种计算机可读存储介质，其特征在于，包括：
