[go: up one dir, main page]

CN116578939A - 一种异常数据的识别方法、装置、设备及介质 - Google Patents

一种异常数据的识别方法、装置、设备及介质 Download PDF

Info

Publication number
CN116578939A
CN116578939A CN202310473833.9A CN202310473833A CN116578939A CN 116578939 A CN116578939 A CN 116578939A CN 202310473833 A CN202310473833 A CN 202310473833A CN 116578939 A CN116578939 A CN 116578939A
Authority
CN
China
Prior art keywords
data
abnormal
original
grubbs
original data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310473833.9A
Other languages
English (en)
Inventor
黄静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Telian Qizhi Technology Co ltd
Original Assignee
Chongqing Telian Qizhi Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing Telian Qizhi Technology Co ltd filed Critical Chongqing Telian Qizhi Technology Co ltd
Priority to CN202310473833.9A priority Critical patent/CN116578939A/zh
Publication of CN116578939A publication Critical patent/CN116578939A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本申请涉及数据识别及数据处理技术领域，更为具体来说，本申请涉及一种异常数据的识别方法、装置、设备及介质。所述方法包括：获取目标设备符合预设时序的原始数据；确定出所述原始数据的所属数据类型，其中，数据类型包括递增型数据、递减型数据、区间型数据；根据所述原始数据的所属数据类型得到所述原始数据对应的测量数据；依据格拉布斯准则判定所述测量数据是否异常，以识别所述原始数据是否异常。本申请解决了需要人为判定异常数据的问题，将判定异常数据的逻辑变为自动化方式，节省了时间成本，提升了数据质量，也提升了数据异常识别和修正的效率，便于后续对数据的分析和处理。

Description

一种异常数据的识别方法、装置、设备及介质
技术领域
本申请涉及数据识别及数据处理技术领域，更为具体来说，本申请涉及一种异常数据的识别方法、装置、设备及介质。
背景技术
在一些设备中采集工业数据的应用非常广泛，在采集原始数据的过程中，环境是不可控的，会发生信号干扰、通信中断等问题。而这些将会导致数据异常，譬如数据中断，数据不在合理范围内，而原始数据的错误则会影响相应的数据指标分析和数据参与的计算。对于设备端，通信环境是不可控因素，从设备端升级设备或者通信方式会比较困难，所以针对此问题，往往会采用人为判断和修正数据的方法来规避。
然而，这样会消耗运维人员大量的时间，且当运维人员不参与判断的时候，原始数据异常问题将不会被发现，后期追溯，则错过了发现问题的最佳时期。即便是运维人员发现了异常数据，修正数据也是一个巨大的挑战，为后期的数据分析埋下许多隐患。
发明内容
基于上述技术问题，本发明旨在通过将原始数据分类、测量，及依据格拉布斯准则识别所述原始数据是否异常，若有异常再加以修正。
本发明第一方面提供了一种异常数据的识别方法，所述方法包括：
获取目标设备符合预设时序的原始数据；
确定出所述原始数据的所属数据类型，其中，数据类型包括递增型数据、递减型数据、区间型数据；
根据所述原始数据的所属数据类型得到所述原始数据对应的测量数据；
依据格拉布斯准则判定所述测量数据是否异常，以识别所述原始数据是否异常。
本发明的一些实施例中，根据所述原始数据的所属数据类型计算所述原始数据对应的测量数据，包括：
若所述原始数据为递增型数据或为递减型数据，将两个相邻时序的原始数据做差计算，得到测量数据；
若所述原始数据为区间型数据，将原始数据作为测量数据。
本发明的一些实施例中，依据格拉布斯准则判定所述测量数据是否异常，包括：
获取预设数目个测量数据；
计算所述预设数目个测量数据的平均值；
根据所述平均值计算标准差；
基于所述预设数目个测量数据、所述平均值、所述标准差，并依据格拉布斯准则判定所述测量数据是否异常。
本发明的一些实施例中，基于所述预设数目个测量数据、所述平均值、所述标准差，并依据格拉布斯准则判定所述测量数据是否异常，包括：
根据所述预设数目个测量数据、所述平均值、所述标准差计算残差与标准差的比值；
确定格拉布斯准则对应的格拉布斯表中的临界值；
基于所述残差与标准差的比值和所述临界值之间的比较结果判定所述测量数据是否异常。
本发明的一些实施例中，确定格拉布斯准则对应的格拉布斯表中的临界值，包括：
确定格拉布斯准则对应的格拉布斯表中的置信概率和测量次数；
根据所述置信概率和所述测量次数的交叉值确定格拉布斯表中的临界值。
本发明的一些实施例中，在所述判定所述原始数据是否异常之后，还包括：对所判定的异常数据进行修正。
本发明的一些实施例中，对所判定的异常数据进行修正，包括：
获取参考数据；
基于所述参考数据及格拉布斯表确定目标数据；
用所述目标数据替换相应异常时序的原始数据，其中，所判定的异常数据等同于相应异常时序的原始数据。
本发明的第二方面提供了一种异常数据的识别装置，所述装置包括：
获取模块，被配置为获取目标设备符合预设时序的原始数据；
确定模块，被配置为确定出所述原始数据的所属数据类型，其中，数据类型包括递增型数据、递减型数据、区间型数据；
得到模块，被配置为根据所述原始数据的所属数据类型得到所述原始数据对应的测量数据；
识别模块，被配置为依据格拉布斯准则判定所述测量数据是否异常，以识别所述原始数据是否异常。
本发明第三方面提供了一种电子设备，包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行本发明各实施例中所述异常数据的识别方法。
本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明各实施例中所述异常数据的识别方法。
本申请实施例中提供的技术方案，至少具有如下技术效果或优点：
本申请解决了需要人为判定异常数据的问题，将判定异常数据的逻辑变为自动化方式，节省了时间成本，提升了数据质量，也提升了数据异常识别和修正的效率，便于后续对数据的分析和处理。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
通过阅读下文优选实施方式的详细描述，各种其它的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请一示例性实施例中的一种异常数据的识别方法步骤示意图；
图2示出了本申请一示例性实施例中的一种异常数据的识别方法流程图；
图3示出了本申请一示例性实施例中依据格拉布斯规则判断目标数据是否异常的示意图；
图4示出了本申请一示例性实施例中格拉布斯表示意图；
图5示出了本申请一示例性实施例中的异常数据的识别装置结构示意图；
图6示出了本申请一示例性实施例所提供的一种电子设备的结构示意图。
具体实施方式
以下，将参照附图来描述本申请的实施例。但是应该理解的是，这些描述只是示例性的，而并非要限制本申请的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本申请的概念。对于本领域技术人员来说显而易见的是，本申请可以无需一个或多个这些细节而得以实施。在其它的例子中，为了避免与本申请发生混淆，对于本领域公知的一些技术特征未进行描述。
应予以注意的是，这里所使用的术语仅是为了描述具体实施例，而非意图限制根据本申请的示例性实施例。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式。此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或附加一个或多个其它特征、整体、步骤、操作、元件、组件和/或它们的组合。
现在，将参照附图更详细地描述根据本申请的示例性实施例。然而，这些示例性实施例可以多种不同的形式来实施，并且不应当被解释为只限于这里所阐述的实施例。附图并非是按比例绘制的，其中为了清楚表达的目的，可能放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
下面结合说明书附图1-附图6给出几个实施例来描述根据本申请的示例性实施方式。需要注意的是，下述应用场景仅是为了便于理解本申请的精神和原理而示出，本申请的实施方式在此方面不受任何限制。相反，本申请的实施方式可以应用于适用的任何场景。
在本申请一些示例性实施例中，提供了一种异常数据的识别方法，如图1所示，所述方法包括：
S1、获取目标设备符合预设时序的原始数据；
S2、确定出所述原始数据的所属数据类型，其中，数据类型包括递增型数据、递减型数据、区间型数据；
S3、根据所述原始数据的所属数据类型得到所述原始数据对应的测量数据；
S4、依据格拉布斯准则判定所述测量数据是否异常，以识别所述原始数据是否异常。
上述目标设备可以是各种设备，例如传感器、电表等等。S1中获取目标设备符合预设时序的原始数据的“预设时序”可以是按年度、月度、日期，按时分秒等等。然后确定原始数据的所属数据类型，这里的数据类型包括递增型数据、递减型数据、区间型数据，可以理解的是，将原始数据的标识与内置配置进行匹配，能查看到其数据分类。差值稳定在一定阈值内，数据持续递增，则定义为类型I即递增型数据，差值稳定在一定阈值内，数据持续递减，则定义为类型S即递减型数据，原始数据稳定在一定阈值内，则定义为类型D即区间型数据。上述过程也可以参考图2，选择性的，取原始数据时还可以判断是否有数据，如果没有数据，则可能出现“断数”问题，这也是一种异常，进而解决在数据采集过程中，数据质量不稳定造成的数据错误或断数的问题。
在一种优选的实现方式中，根据所述原始数据的所属数据类型计算原始数据对应的测量数据，包括：若所述原始数据为递增型数据或为递减型数据，将两个相邻时序的原始数据做差计算，得到测量数据；若所述原始数据为区间型数据，将原始数据作为测量数据。如图2所示，例如原始数据为Yn，根据数据标识判断数据分类为S、I或者D，进入步骤③，当数据分类为D时，测量数据Xn＝Yn；当数据分类为I或S时，测量数据Xn＝Yn-Yn-1，即为根据数据标识取得原始数据按照时序存储的前一个数据Yn-1，然后两个数据做差值，取得测量数据Xn，进入步骤④。做阈值判断，假设在正常范围[A,B]，如果测量数据Xn满足范围[A,B]，则进入步骤⑤，否则数据识别为超过阈值而异常。
本一种优选的实现方式中，依据格拉布斯准则判定所述测量数据是否异常，包括：获取预设数目个测量数据；计算所述预设数目个测量数据的平均值；根据所述平均值计算标准差；基于所述预设数目个测量数据、所述平均值、所述标准差，并依据格拉布斯准则判定所述测量数据是否异常。具体地，取得一组测量数据：如果分类为I或S，则计算测量数据Xn＝Yn-Yn-1，并依此类推，取得前30个测量数据Xn,Xn-1…X1，保存30个测量数据，如果分类为D，则根据数据标识从存储数据库中，按照时序依次取得前30个数据。计算平均值时计算n＝30个测量数据的平均值，记录为μ，计算公式为：
计算n＝30个测量数据的标准差σ的公式为：
在另一种优选的实现方式中，参考图3和图4，图2中的⑥及⑥以后的编号步骤即格拉布斯规则(同准则)判断在图3中有具体的体现，基于所述预设数目个测量数据、所述平均值、所述标准差，并依据格拉布斯准则判定所述测量数据是否异常，包括：根据所述预设数目个测量数据、所述平均值、所述标准差计算残差与标准差的比值；确定格拉布斯准则对应的格拉布斯表中的临界值；基于所述残差与标准差的比值和所述临界值之间的比较结果判定所述测量数据是否异常。计算Gi值(残差与标准差的比值)的公式为：
在本申请的一些实施例中，确定格拉布斯准则对应的格拉布斯表中的临界值，包括：确定格拉布斯准则对应的格拉布斯表中的置信概率和测量次数；如图4所示，根据所述置信概率和所述测量次数的交叉值确定格拉布斯表中的临界值。将计算出来的Gi与格拉布斯表给出的临界值GP()比较，如果计算的Gi值大于表中的临界值GP()，则能判断该测量数据是异常值，否则该数据属于正常数据。确定检出水平α，α＝0.1，那么置信概率P＝1－α＝0.9。查图4所示的格拉布斯表，横竖相交得临界值G90(30)＝2.583。
在本申请的一些实施例中，在所述判定所述原始数据是否异常之后，还包括：对所判定的异常数据进行修正。对所判定的异常数据进行修正，包括：获取参考数据；基于所述参考数据及格拉布斯表确定目标数据；用所述目标数据替换相应异常时序的原始数据，其中，所判定的异常数据等同于相应异常时序的原始数据。具体而言，取得去年同期的参考数据30个，并计算平均值μ，标准差σ。此时检出水平α＝0.005，那么置信概率P＝1－α＝0.995。查格拉布斯表获得临界值：根据选定的P值(此处为0.995)和测量次数n(此处为30)，查格拉布斯表，横竖相交得临界值G995(30)＝3.236。此时将Gi＝3.236，平均值μ，标准差σ带入求Gi公式，计算出Xi。
如果数据类型为S，则用前一个正常数据Yi-1-Xi，修正原始数据；如果数据类型为I，则用前一个正常数据Yi-1+Xi，修正原始数据；如果数据类型为D，则使用Xi修正原始数据。本申请解决了需要人为判定异常数据的问题，将判定异常数据的逻辑变为自动化方式，节省了时间成本，提升了数据质量，也提升了数据异常识别和修正的效率，便于后续对数据的分析和处理。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
在本申请一些示例性实施例中，还提供了一种异常数据的识别装置，执行本申请各实施例中所述的异常数据的识别方法，如图5所示，所述装置包括：
获取模块501，被配置为获取目标设备符合预设时序的原始数据；
确定模块502，被配置为确定出所述原始数据的所属数据类型，其中，数据类型包括递增型数据、递减型数据、区间型数据；
得到模块503，被配置为根据所述原始数据的所属数据类型得到所述原始数据对应的测量数据；
识别模块504，被配置为依据格拉布斯准则判定所述测量数据是否异常，以识别所述原始数据是否异常。
本装置解决了需要人为判定异常数据的问题，将判定异常数据的逻辑变为自动化方式，节省了时间成本，提升了数据质量，也提升了数据异常识别和修正的效率，便于后续对数据的分析和处理。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
下面请参考图6，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图6所示，所述电子设备2包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的异常数据的识别方法异常数据的识别方法。
其中，存储器201可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其它网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述异常数据的识别方法异常数据的识别方法可以应用于处理器200中，或者由处理器200实现。
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
本申请实施方式还提供一种与前述实施方式所提供的异常数据的识别方法对应的计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的异常数据的识别方法。
另外，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其它类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其它光学、磁性存储介质，在此不再一一赘述。
本申请实施方式还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现前述任意实施方式所提供的异常数据的识别方法的步骤，所述方法包括：获取目标设备符合预设时序的原始数据；确定出所述原始数据的所属数据类型，其中，数据类型包括递增型数据、递减型数据、区间型数据；根据所述原始数据的所属数据类型得到所述原始数据对应的测量数据；依据格拉布斯准则判定所述测量数据是否异常，以识别所述原始数据是否异常。
需要说明的是：在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
本领域那些技术人员可以理解，本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。
以上所述，仅为本申请较佳的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种异常数据的识别方法，其特征在于，所述方法包括：
获取目标设备符合预设时序的原始数据；
确定出所述原始数据的所属数据类型，其中，数据类型包括递增型数据、递减型数据、区间型数据；
根据所述原始数据的所属数据类型得到所述原始数据对应的测量数据；
依据格拉布斯准则判定所述测量数据是否异常，以识别所述原始数据是否异常。
2.根据权利要求1所述的异常数据的识别方法，其特征在于，根据所述原始数据的所属数据类型计算所述原始数据对应的测量数据，包括：
若所述原始数据为递增型数据或为递减型数据，将两个相邻时序的原始数据做差计算，得到测量数据；
若所述原始数据为区间型数据，将原始数据作为测量数据。
3.根据权利要求1所述的异常数据的识别方法，其特征在于，依据格拉布斯准则判定所述测量数据是否异常，包括：
获取预设数目个测量数据；
计算所述预设数目个测量数据的平均值；
根据所述平均值计算标准差；
基于所述预设数目个测量数据、所述平均值、所述标准差，并依据格拉布斯准则判定所述测量数据是否异常。
4.根据权利要求3所述的异常数据的识别方法，其特征在于，基于所述预设数目个测量数据、所述平均值、所述标准差，并依据格拉布斯准则判定所述测量数据是否异常，包括：
根据所述预设数目个测量数据、所述平均值、所述标准差计算残差与标准差的比值；
确定格拉布斯准则对应的格拉布斯表中的临界值；
基于所述残差与标准差的比值和所述临界值之间的比较结果判定所述测量数据是否异常。
5.根据权利要求4所述的异常数据的识别方法，其特征在于，确定格拉布斯准则对应的格拉布斯表中的临界值，包括：
确定格拉布斯准则对应的格拉布斯表中的置信概率和测量次数；
根据所述置信概率和所述测量次数的交叉值确定格拉布斯表中的临界值。
6.根据权利要求1-5任一项所述的异常数据的识别方法，其特征在于，在所述判定所述原始数据是否异常之后，还包括：对所识别的异常数据进行修正。
7.根据权利要求6所述的异常数据的识别方法，其特征在于，对所识别的异常数据进行修正，包括：
获取参考数据；
基于所述参考数据及格拉布斯表确定目标数据；
用所述目标数据替换相应异常时序的原始数据，其中，所识别的异常数据等同于相应异常时序的原始数据。
8.一种异常数据的识别装置，其特征在于，所述装置包括：
获取模块，被配置为获取目标设备符合预设时序的原始数据；
确定模块，被配置为确定出所述原始数据的所属数据类型，其中，数据类型包括递增型数据、递减型数据、区间型数据；
得到模块，被配置为根据所述原始数据的所属数据类型得到所述原始数据对应的测量数据；
识别模块，被配置为依据格拉布斯准则判定所述测量数据是否异常，以识别所述原始数据是否异常。
9.一种电子设备，包括存储器和处理器，其特征在于，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行如权利要求1-7任一所述方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7任一所述方法。
CN202310473833.9A 2023-04-27 2023-04-27 一种异常数据的识别方法、装置、设备及介质 Pending CN116578939A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310473833.9A CN116578939A (zh) 2023-04-27 2023-04-27 一种异常数据的识别方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310473833.9A CN116578939A (zh) 2023-04-27 2023-04-27 一种异常数据的识别方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN116578939A true CN116578939A (zh) 2023-08-11

Family

ID=87538865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310473833.9A Pending CN116578939A (zh) 2023-04-27 2023-04-27 一种异常数据的识别方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116578939A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108806218A (zh) * 2018-06-13 2018-11-13 合肥泽众城市智能科技有限公司 一种可燃气体监测数据异常原因的判断方法及装置
CN108875840A (zh) * 2018-06-28 2018-11-23 广东工业大学 一种异常数据的识别方法
CN109726198A (zh) * 2018-12-06 2019-05-07 中科恒运股份有限公司 异常数据处理方法及装置
WO2020085742A1 (en) * 2018-10-26 2020-04-30 Korea Institute Of Science And Technology Heteroaromatic macrocyclic derivatives as protein kinase inhibitors
US20220019572A1 (en) * 2020-07-20 2022-01-20 Intuit Inc. Real-time anomaly detection
CN114399096A (zh) * 2021-12-29 2022-04-26 国网福建省电力有限公司营销服务中心 一种基于强化学习算法的交易电量优化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108806218A (zh) * 2018-06-13 2018-11-13 合肥泽众城市智能科技有限公司 一种可燃气体监测数据异常原因的判断方法及装置
CN108875840A (zh) * 2018-06-28 2018-11-23 广东工业大学 一种异常数据的识别方法
WO2020085742A1 (en) * 2018-10-26 2020-04-30 Korea Institute Of Science And Technology Heteroaromatic macrocyclic derivatives as protein kinase inhibitors
CN109726198A (zh) * 2018-12-06 2019-05-07 中科恒运股份有限公司 异常数据处理方法及装置
US20220019572A1 (en) * 2020-07-20 2022-01-20 Intuit Inc. Real-time anomaly detection
CN114399096A (zh) * 2021-12-29 2022-04-26 国网福建省电力有限公司营销服务中心 一种基于强化学习算法的交易电量优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王小凯;朱小文;: "计量检定中3种判别和剔除异常值的统计方法", 中国测试, no. 1, 31 December 2018 (2018-12-31) *

Similar Documents

Publication Publication Date Title
WO2021017000A1 (zh) 获取仪表读数的方法、装置、存储器、处理器和终端
CN100559131C (zh) 一种指针式仪表自动检定方法
CN116245230A (zh) 一种电站设备的运行巡检与趋势分析方法及系统
CN112613380B (zh) 一种机房巡检方法、装置及电子设备、存储介质
CN113391256B (zh) 一种现场作业终端的电能表计量故障分析方法及系统
CN113065538A (zh) 基于图像识别的压力传感器检测方法、装置及设备
CN109165657A (zh) 一种基于改进sift的图像特征检测方法及装置
CN117807173A (zh) 地理空间数据质量评估方法、装置、电子设备及介质
CN113822893B (zh) 一种基于纹理特征的液晶面板外围电路检测方法和系统
WO2021184178A1 (zh) 标注方法和装置
CN111998918A (zh) 一种误差校正方法、误差校正装置及流量传感系统
CN116578939A (zh) 一种异常数据的识别方法、装置、设备及介质
CN111985468B (zh) 一种码表指针数值检测方法、装置、电子设备及存储介质
CN114549625A (zh) 一种对设备经纬度进行异常检测的方法、装置及存储介质
CN112651460A (zh) 一种光伏功率异常数据的识别方法及装置
CN119648701A (zh) 一种绝缘片的自动化检测与评估方法及系统
CN115063353B (zh) 一种目标检测模型的构建方法、图像的目标检测方法
CN113936003B (zh) 一种门窗制造质量检测方法
CN118644689A (zh) 一种林草湿地图斑监测数据校正方法及系统
CN108985160B (zh) 一种确定指针式仪表读数的方法和装置
CN114511630A (zh) 一种图像定位方法、装置、电子设备及存储介质
CN112149546A (zh) 一种信息处理方法、装置、电子设备及存储介质
CN116520461B (zh) 一种ecmwf模式的温度订正方法和装置
CN111814619A (zh) 一种户型图的比例尺值获取方法
CN113051517A (zh) 一种获取锅炉能效曲线的方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination