(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 202111525535.7 (22)申请日 2021.12.14 (71)申请人 建信金融科技有限责任公司 地址 200120 上海市自由贸易试验区银城 路99号12层、 15层 (72)发明人 高阳　金勇　雷发林　吴泽君　 简拥军　周明宏　王艳华　苑志云　 梁晓冬　刘威　张超杰　 (74)专利代理 机构 北京三友知识产权代理有限 公司 11127 代理人 周永君　董骁毅 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/30(2012.01)G06K 9/62(2022.01) (54)发明名称 一种关键性能指标的异常检测方法、 装置、 设备及介质 (57)摘要 本发明提供一种关键性能指标的异常检测 方法、 装置、 设备及介质， 所述方法包括： 对获取 的KPI对应的当前周期的时间序列数据进行分 解， 获得当前周期的时间序列数据对应的趋势 值、 周期值和残差； 根据上述趋势值以及KPI的预 测模型， 预测KPI对应的下一个周期的时间序列 数据对应的预测趋势值； 获得下一个周期的时间 序列数据对应的取值置信区间； 根据KPI对应的 下一个周期的时间序列数据以及下一个周期的 时间序列数据对应的取值置信区间， 确定下一个 周期的时间序列数据中是否存在异常数据。 所述 装置用于 执行上述方法。 本发明实施例提供的关 键性能指标的异常检测方法、 装置、 设备及介质， 提高了KPI的异常数据的识别效率。 权利要求书4页 说明书15页 附图8页 CN 114239952 A 2022.03.25 CN 114239952 A 1.一种关键性能指标的异常检测方法， 其特 征在于， 包括： 获取关键性能指标对应的当前周期的时间序列数据； 对所述当前周期的时间序列 数据进行分解， 获得所述当前周期的时间序列 数据对应的 趋势值、 周期值和残差； 根据所述当前周期的时间序列数据对应的趋势值以及所述关键性 能指标的预测模型， 预测所述关键性能指标对应的下一个周期的时间序列数据对应的预测趋势值； 其中， 所述 关键性能指标的预测模型 是基于所述关键性能指标的历史数据训练获得的； 根据所述当前周期的时间序列数据对应的周期值和残差以及所述下一个周期的时间 序列数据对应的预测趋势值， 获得 所述下一个周期的时间序列数据对应的取值置信区间； 根据所述关键性能指标对应的下一个周期的时间序列数据以及所述下一个周期的时 间序列数据对应的取值置信区间， 确定所述下一个周期的时间序列数据中是否存在异常数 据。 2.根据权利要求1所述的方法， 其特征在于， 在获取关键性 能指标对应的当前周期的时 间序列数据之前， 还 包括： 接收关键性能指标数据， 所述关键性 能指标数据包括各个关键性 能指标对应的指标标 识； 根据各个关键性 能指标对应的指标标识以及 关键性能指标检测库， 判断各个关键性 能 指标是否为周期性指标； 其中， 所述关键性能指标检测库是预设的包括的所有指标标识对 应的关键性能指标 具有周期性。 3.根据权利要求1所述的方法， 其特征在于， 基于所述关键性能指标的历史数据训练获 得的所述关键性能指标的预测模型包括： 根据所述关键性能指标的历史数据， 获得 所述关键性能指标的周期； 根据所述关键性能指标的周期将所述关键性能指标的历史数据划分为多个周期的历 史时间序列数据； 对每个周期的历史时间序列 数据进行分解， 获得每个周期的历史时间序列 数据对应的 趋势值和周期值， 并将每个周期的下一个周期的历史时间序列数据对应的趋势 值作为每个 周期的历史时间序列数据对应的趋势值的标签； 将所述多个周期的历史时间序列 数据划分为训练集和测试集， 并根据 所述训练集中各 个周期的历史时间序列数据对应的趋势值和标签， 以及差分整合移动平均自回归模型， 训 练获得所述关键性能指标的待验证预测模型； 根据所述测试集包括的各个周期的历史时间序列 数据对应的趋势值和周期值， 以及各 个周期的历史时间序列数据对应的标签对所述关键性能指标的待验证预测模型进行验证； 若判断获知所述关键性 能指标的待验证预测模型通过验证， 则将所述关键性 能指标的 待验证预测模型作为所述关键性能指标的预测模型。 4.根据权利要求3所述的方法， 其特征在于， 所述根据所述关键性能指标的历史数据， 获得所述关键性能指标的周期包括： 对所述关键性能指标的历史数据进行离 散傅里叶变换， 获得原 始周期图； 对所述关键性能指标的历史数据进行n次随机重排序， 并对每次随机重排序获得的数 据进行离 散傅里叶变换， 获得n张周期图；权　利　要　求　书 1/4 页 2 CN 114239952 A 2根据每张周期图获得每张周期图的最大功率， 并从n张周期图的最大功率中确定阈值； 根据所述原 始周期图和所述阈值， 获得 所述关键性能指标的周期。 5.根据权利要求4所述的方法， 其特征在于， 所述根据所述原始周期图和所述阈值， 获 得所述关键性能指标的周期包括： 从所述原 始周期图中获得 大于所述阈值的功率对应的频率， 作为 候选频率； 根据所述关键性能指标的历史数据， 获得对应的自相关函数， 并对所述自相关函数进 行离散傅里叶变换， 获得 所述自相关函数对应的频率 域函数； 计算所述自相关函数对应的频率 域函数的二阶导数， 获得二阶导数表达式； 根据所述二阶导数表达 式以及每个候选频率对应的频率 区间， 计算获得每个候选频率 对应的导数值； 若判断获知所述候选频率对应的导数值中存在小于零的导数值， 则将所述候选频率作 为待确定频率； 若判断获知所述待确定频率有多个， 则根据多个所述待确定频率获得最大的周期作为 所述关键性能指标对应的周期。 6.根据权利要求4所述的方法， 其特征在于， 所述从n张周期图的最大功率中确定阈值 包括： 对n张周期图的最大功率按照从大到小的顺序进行排列， 获得排序结果； 从所述排序结果中获得排序第二 位的功率作为所述阈值。 7.根据权利要求1所述的方法， 其特征在于， 所述根据所述关键性 能指标对应的下一个 周期的时间序列数据以及所述下一个周期的时间序列数据对应的取值置信区间， 确定所述 下一个周期的时间序列数据中是否存在异常数据包括： 将所述关键性能指标对应的下一个周期的时间序列数据中每个关键性能指标值与对 应的取值置信区间进行比较； 若判断获知所述关键性 能指标值不在对应的取值置信区间内， 则确定所述关键性能指 标值为异常数据。 8.根据权利要求1至7任一项所述的方法， 其特 征在于， 还 包括： 若所述下一个周期的时间序列数据中存在异常数据， 则将所述异常数据输出。 9.一种关键性能指标的异常检测装置， 其特 征在于， 包括： 获取模块， 用于获取关键性能指标对应的当前周期的时间序列数据； 第一分解模块， 用于对所述当前周期的时间序列数据进行分解， 获得所述当前周期的 时间序列数据对应的趋势值、 周期值和残差； 预测模块， 用于根据 所述当前周期的时间序列 数据对应的趋势值以及所述关键性能指 标的预测模型， 预测所述关键性能指标对应的下一个周期的时间序列数据对应的预测趋势 值； 其中， 所述关键性能指标的预测模型 是基于所述关键性能指标的历史数据训练获得的； 第一获得模块， 用于根据所述当前周期的时间序列数据对应的周期值和残差以及所述 下一个周期的时间序列数据对应的预测趋势 值， 获得所述下一个周期的时间序列数据对应 的取值置信区间； 确定模块， 用于根据 所述关键性能指标对应的下一个周期的时间序列 数据以及所述下 一个周期的时间序列数据对应的取值置信区间， 确定所述下一个周期的时间序列数据中是权　利　要　求　书 2/4 页 3 CN 114239952 A 3