一种基于时间序列预测的业务线索异常检测与实时预警方法及系统与流程

本发明实施例涉及数据处理与预警，具体涉及一种基于时间序列预测的业务线索异常检测与实时预警方法及系统。

背景技术：

1、随着互联网平台业务的快速发展，各渠道来源的用户意向数据（如购车线索）已成为驱动业务决策的核心资源。以二手车业务平台为例，平台通常通过易车app、报价大全app、懂车帝等多个重点渠道获取用户购车意向线索数据。线索数量的稳定增长是业务健康运行的重要指标，对其变化趋势进行有效监控和预警具有重要意义。

2、目前，业务平台对线索数量的监控主要依赖以下两种已知方式：

3、（一）人工统计与人工预警方式

4、平台每日定时统计各渠道的线索数量，由运营人员人工对比前一天或上周同时间段的数据，若发现明显下降，则通过手动发送消息或邮件通知相关人员。该方式完全依赖人工操作，缺乏自动化的数据采集、分析和通知机制。

5、（二）固定阈值告警方式

6、部分平台采用简单的阈值告警机制，即预先设定一个固定的线索数量下限阈值，当实际线索数量低于该阈值时触发告警。这种方式虽然在一定程度上实现了自动化，但阈值固定不变，无法适应不同时间段、不同渠道的自然波动规律。

7、此外，在时间序列预测与异常检测领域，已知存在多种技术方案。例如，有方案采用holt-winters模型对时间序列数据进行预测，并通过预测残差进行异常检测；也有方案通过动态阈值函数确定异常阈值范围，实现告警事件的检测；还有方案将滑动窗口统计与孤立森林等方法融合，实现工业时序数据的异常预警。在预警通知方面，已知存在通过企业微信等即时通讯工具推送告警信息的技术手段。

8、上述现有技术方案存在以下缺陷：

9、（一）缺乏预测能力，只能事后发现异常

10、现有的人工统计和固定阈值方式均为回顾性分析方法，只能在线索数量已经发生明显下降之后才能发现异常，无法提前识别潜在的线索下滑风险。这导致业务部门往往在问题已经恶化后才收到通知，丧失了提前干预的机会。

11、（二）阈值静态化，无法适应周期性变化

12、固定阈值方式未考虑时间序列数据的趋势性和季节性特征。线索数量受节假日、活动推广、周末效应等因素影响，呈现出明显的周期性波动规律。固定阈值无法区分正常周期性波动与真实的业务异常，导致在高峰期误报频发、在低谷期漏报真实异常。

13、（三）缺乏自动化联动，响应延迟严重

14、现有的异常检测与通知流程未实现有效打通，需要人工介入才能完成从异常发现到通知发送的整个过程。这种人工中转模式导致预警响应时间显著延长，无法实现实时预警。

15、（四）误报与漏报并存，预警准确性不足

16、现有方案未充分考虑时间序列的趋势性与季节性特征，导致正常波动被误判为异常（误报），或真实异常被忽略（漏报）。此外，现有方案通常仅依据单一维度的阈值判断异常，缺乏多维度综合判定的机制，进一步降低了预警的准确性。

17、（五）缺乏分渠道精细化监控能力

18、现有方案通常对所有渠道采用统一的监控标准，未考虑不同渠道的业务特性和波动规律的差异，无法实现分渠道的精细化预测与预警。

技术实现思路

1、为此，本发明实施例提供一种基于时间序列预测的业务线索异常检测与实时预警方法及系统，以解决现有技术因缺乏基于时间序列的动态预测与自适应异常判定机制，而无法提前识别风险、误报率高且响应延迟的技术问题。

2、为了实现上述目的，本发明实施例提供如下技术方案：

3、根据本发明实施例的第一方面，提供了一种基于时间序列预测的业务线索异常检测与实时预警方法，所述方法包括：

4、从业务数据库中采集各渠道的线索数据，对采集到的线索数据进行清洗与标准化处理，并按渠道维度进行数据分组，形成各渠道独立的时间序列数据；

5、针对每个渠道的时间序列数据，分别构建holt-winters三次指数平滑模型，所述模型包含水平平滑系数α、趋势平滑系数β和季节平滑系数γ三个平滑参数，采用滑动窗口机制基于历史数据进行模型训练，自动搜索各渠道的最优参数组合，并每日基于最新数据对模型进行动态重训更新；

6、利用训练好的holt-winters模型对各渠道未来时间点的线索数量进行实时预测，输出预测值及对应的置信区间；

7、实时计算各渠道线索数量的实际值与模型预测值之间的残差，基于所述残差进行多维度异常判定，所述多维度异常判定至少包括残差显著性判定、连续异常时长判定、渠道权重判定和历史波动区间判定，通过多维加权算法输出异常等级；

8、当判定某一渠道的线索数量发生异常时，触发预警通知，通过企业微信机器人将异常信息实时推送至指定用户或群组。

9、进一步地，采集的线索数据为小时级数据，字段包括时间、渠道和线索数量；所述清洗与标准化处理包括：对缺失值和异常峰值进行插补与平滑处理，将时间字段统一转化为小时级时间戳格式，并对线索数量进行归一化处理以适配holt-winters模型输入。

10、进一步地，所述holt-winters三次指数平滑模型采用加法模型形式，其水平项lt、趋势项tt和季节项st的计算公式分别为：

11、lt=α×(yt/s(t-l))+(1-α)×(l(t-1)+t(t-1))

12、tt=β×(lt-l(t-1))+(1-β)×t(t-1)

13、st=γ×(yt/lt)+(1-γ)×s(t-l)

14、未来第m个时间点的预测值ft+m的计算公式为：

15、ft+m=(lt+m×tt)×s(t-l+m)

16、其中，yt为第t个时间点的实际值，l为周期长度。

17、进一步地，所述模型训练中采用滑动窗口机制具体为：基于过去30天的历史数据进行滑动窗口预测，自动搜索使得预测误差最小化的最优平滑参数组合（α,β,γ）。

18、进一步地，在进行异常检测时，采用3σ原则设定残差阈值，当计算得到的残差超过3倍标准差时，初步判定为异常波动。

19、进一步地，所述异常等级包括普通异常、严重异常和紧急异常三个级别；不同异常等级对应不同的预警策略和通知优先级。

20、进一步地，企业微信机器人推送的异常信息至少包括以下内容：异常发生时间、异常渠道标识、预测值、实际值、偏差百分比和异常等级。

21、进一步地，所述方法还包括：

22、将异常事件记录至监控数据库，并在可视化看板中实时展示异常事件的渠道信息、时间信息、预测值、实际值、偏差百分比和异常级别。

23、根据本发明实施例的第二方面，提供了一种基于时间序列预测的业务线索异常检测与实时预警系统，所述系统包括：

24、数据采集与预处理模块，用于从业务数据库中采集各渠道的线索数据，对采集到的线索数据进行清洗与标准化处理，并按渠道维度进行数据分组，形成各渠道独立的时间序列数据；

25、时间序列预测模型模块，用于针对每个渠道的时间序列数据分别构建holt-winters三次指数平滑模型，所述模型包含水平平滑系数α、趋势平滑系数β和季节平滑系数γ三个平滑参数，采用滑动窗口机制基于历史数据进行模型训练，自动搜索各渠道的最优参数组合，每日基于最新数据对模型进行动态重训更新，并利用训练好的模型对各渠道未来时间点的线索数量进行实时预测，输出预测值及对应的置信区间；

26、异常检测模块，用于实时计算各渠道线索数量的实际值与模型预测值之间的残差，基于所述残差进行多维度异常判定，所述多维度异常判定至少包括残差显著性判定、连续异常时长判定、渠道权重判定和历史波动区间判定，通过多维加权算法输出异常等级；

27、预警通知模块，用于当异常检测模块判定某一渠道的线索数量发生异常时触发预警通知，通过企业微信机器人将异常信息实时推送至指定用户或群组。

28、进一步地，所述系统还包括：

29、模型服务化部署单元，用于将holt-winters模型封装为独立的微服务，支持restful接口调用；

30、异步调度单元，用于通过定时任务或消息队列触发预测任务，以小时级频率更新预测结果；

31、缓存与批处理单元，用于利用redis缓存预测结果与历史数据，并采用批量预测及并行多线程机制对多渠道进行实时监控。

32、本发明实施例具有如下优点：

33、本发明实施例采集各渠道的线索数据并进行预处理，按渠道维度分组形成独立的时间序列；针对每个渠道分别构建holt-winters三次指数平滑模型，采用滑动窗口机制训练并动态更新模型参数，输出预测值及置信区间；实时计算实际值与预测值之间的残差，结合残差显著性、连续异常时长、渠道权重及历史波动区间进行多维度异常判定并输出异常等级；当判定发生异常时，通过企业微信机器人将异常信息实时推送至指定用户或群组。本发明实现了线索数量变化的提前预测与动态异常识别，有效降低了误报率和漏报率，减少了人工介入，提高了业务预警的实时性和准确性。