本发明涉及物联网数据检测，尤其涉及一种传感器时序数据异常检测方法及装置。
背景技术：
1、物联网，英文为i nternet of thi ngs，简称i ot)，因其具有分布式、自组织、动态拓扑、快速部署和低成本等优点，被广泛应用于工业环境，包括设备监测与维护、生产过程优化、安全监测与管理等关键应用中。同时，人工智能作为打造智能、可靠的现代化基础设施体系的重要技术支撑，与物联网深度融合，可以实现万物数据化、万物智联化，建设新型工业物联网，保障数据安全。
2、工业环境中，系统通常连续工作，从而产生由多个传感器监测到的多变量时序数据。由于传感器故障、设备故障、环境变化或其他因素，传感器会采集到与正常运行或预期值不符的数据，即异常数据。这些异常数据会对系统产生不利影响。及时检测和识别异常数据，能够有效提高生产效率，实时监测调控，避免经济损失。
3、传感器网络时序数据异常检测的难点主要体现在三个方面。其一，需要在考虑数据时序关系的同时，考虑传感器之间的相关性，全面考虑各种因素对异常检测结果的影响；其二，工业物联网数据可能具有不同的分布特征，所提出的异常检测方法不能仅仅基于假设数据服从特定的分布，应保证对不同分布的工业物联网时间序列数据进行异常检测的鲁棒性；其三，当异常样本比例较大或较小时，可能导致类别不平衡问题，进而对异常检测的准确率产生不利影响。
技术实现思路
1、有鉴于此，有必要提供一种传感器时序数据异常检测方法及装置，以有效解决时序数据异常检测精度低的技术问题。
2、本发明提供一种传感器时序数据异常检测方法，包括以下步骤：
3、步骤s1、根据各传感器所采集数据的相关性，建立描述传感器节点之间关系的邻接矩阵；
4、步骤s2、基于传感器采集的原始样本数据对变分自编码器进行训练，得到重构模块；
5、步骤s3、基于所述重构模块以及所述原始样本数据，进行图神经网络的训练，得到预测模块；
6、步骤s4、基于所述重构模块和所述预测模块对待测时序数据进行联合异常评分，得到联合评分值，基于所述联合评分值对所述待测时序数据进行异常判断。
7、优选的，所述步骤s1，具体为：
8、为每一传感器节点设置随机化的初始嵌入向量，对每一单元内的传感器节点，分别使用双向长短期记忆递归神经网络进行循环嵌入，得到节点嵌入向量；
9、使用张量神经网络计算得到不同传感器节点的嵌入向量相似度；
10、计算每对传感器节点之间的嵌入向量相似度，选择与各传感器节点之间嵌入向量相似度最高的k个节点作为相应传感器节点的邻接节点，1＜k＜n,n为传感器节点的数量，得到表示传感器节点之间关系的邻接矩阵。
11、优选的，所述步骤s2，具体为：
12、利用滑动窗口处理各传感器采集的时序数据，得到采样时间内的原始样本数据；
13、将所述原始样本数据输入所述变分自编码器进行训练，采用所述变分自编码器学习所述原始样本数据的潜在空间分布得到生成模型，并获得重建误差；
14、利用所述生成模型生成与所述原始样本数据相对应的重构样本数据。
15、优选的，利用所述生成模型生成与所述样本数据相对应的重构样本数据，具体为：
16、所述生成模型从样本空间以设定概率抽取数据，抽取数据受隐变量影响，后验分布服从标准正态分布；
17、通过最大化所述后验分布，使得生成模型的解码器从隐变量生成与原始数样本数据相对应的重构样本数据。
18、优选的，将所述样本数据输入所述变分自编码器进行训练之前，在所述样本数据中加入随机高斯噪声，以增强所述生成模型的泛化性。
19、优选的，所述重建误差包括kl散度损失和均方误差损失；
20、使用变分推理引入假设分布，用于近似数据的实际分布，所述kl散度用于量化所述实际分布与所述假设分布之间的差异；
21、在所述滑动窗口中，计算与潜在空间相关的所有样本数据的后验分布与先验分布之间的差异度，作为所述kl散度损失；
22、将重构得到的隐变量输入变分自编码器的注意力层得到有效表征；
23、将所述有效表征输入解码器，得到重构样本数据后，计算所述重构样本数据与所述原始样本数据的均方误差，得到所述均方误差损失；
24、将所述kl散度损失与所述均方误差损失相加得到所述重建误差。
25、优选的，所述步骤s3，具体为：
26、基于所述重构模块，计算传感器节点的聚合特征；
27、获取所有传感器节点的聚合特征后，将各传感器节点的聚合特征与对应的嵌入向量进行逐元素乘法操作，再将各传感器节点的逐元素乘法结果输入图神经网络的全连接层，得到所述预测模块的预测值；
28、计算所述预测值与真实值的均方误差作为所述预测模块的最小化损失函数。
29、优选的，所述步骤s4，具体为：
30、利用所述重构模块和所述预测模块分别对待测时序数据进行异常评分，使用两者评分的加权平均值作为联合评分值；
31、以验证集中最大的异常分值作为异常阈值，所述联合评分值大于所述异常阈值时，所述待测时序数据为异常数据，所述联合异常分数小于所述异常阈值时，所述待测时序数据为正常数据。
32、优选的，利用所述重构模块和所述预测模块分别对待测时序数据进行异常评分，具体为：
33、针对每一个传感器节点，计算预测值与实际值的差值作为异常评分值；
34、对各传感器节点对应的异常评分值进行归一化操作，得到基准异常评分值；
35、比较每一时刻各传感器节点的基准异常评分值，取最大的基准异常评分值作为相应时刻的整体异常评分值。
36、本发明还提供一种传感器时序数据异常检测装置，包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时实现所述传感器时序数据异常检测方法。
37、与现有技术相比，本发明具有的有益效果为：本发明建立描述传感器节点之间关系的邻接矩阵，基于邻接矩阵进行预测模块的训练，能够更好的挖掘传感器节点数据的时序特性和节点关联性，能够更加准确和合理地捕捉传感器时序数据的特征关系，从而更好地进行异常推断；同时，基于深度学习机制下的变分自编码器、图神经网络，构建联合优化框架，通过比较输入输出数据，准确识别异常数据，提升数据可靠性，具有较好的指导参考价值。
1.一种传感器时序数据异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的传感器时序数据异常检测方法，其特征在于，所述步骤s1，具体为：
3.根据权利要求1所述的传感器时序数据异常检测方法，其特征在于，所述步骤s2，具体为：
4.根据权利要求3所述的传感器时序数据异常检测方法，其特征在于，利用所述生成模型生成与所述样本数据相对应的重构样本数据，具体为：
5.根据权利要求3所述的传感器时序数据异常检测方法，其特征在于，将所述样本数据输入所述变分自编码器进行训练之前，在所述样本数据中加入随机高斯噪声，以增强所述生成模型的泛化性。
6.根据权利要求3所述的传感器时序数据异常检测方法，其特征在于，所述重建误差包括kl散度损失和均方误差损失；
7.根据权利要求1所述的传感器时序数据异常检测方法，其特征在于，所述步骤s3，具体为：
8.根据权利要求1所述的传感器时序数据异常检测方法，其特征在于，所述步骤s4，具体为：
9.根据权利要求8所述的传感器时序数据异常检测方法，其特征在于，利用所述重构模块和所述预测模块分别对待测时序数据进行异常评分，具体为：
10.一种传感器时序数据异常检测装置，其特征在于，包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1-9中任一所述的传感器时序数据异常检测方法。
