用于实时异常检测和规范反馈的机器学习系统和方法与流程

本公开整体涉及用于使用机器学习模型进行实时异常检测，生成用于数据的持续监控的模式，以及响应于检测到异常而分配规范举措的方法和系统。

背景技术：

1、本文中所提供的背景描述是出于总体上呈现本公开的上下文的目的。在此背景技术部分中所描述的范围内，目前指定的发明人的工作以及在提交申请时并不以其他方式指认为现有技术的说明书各方面，既不明确地也不隐含地被承认为相对于本公开的现有技术。

2、现有的异常检测过程（诸如零售基于异常的报告中的那些异常检测过程），缺乏以按需、实时的方式创建新数据及检测异常的能力。此外，现有的异常检测过程不包括：将异常检测转换为重复且永久的过程，基于责任等级和/或安全等级向选定用户提供用于校正该异常的规范性举措，以及与外部任务管理应用传送规范性举措。因此，存在实现按需、实时的异常检测的机会。

技术实现思路

1、在实现方式中，一种用于异常检测的计算机实现的方法，方法包括：经由一个或多个处理器接收数据参数集合；经由一个或多个处理器，从数据库中检取对应于数据参数集合的数据集；经由一个或多个处理器并且使用实时训练的机器学习模型，分析数据集以检测数据集中的一个或多个异常；经由一个或多个处理器，选择对应于所检测的一个或多个异常的异常参数集合；经由一个或多个处理器，根据异常参数集合过滤机器学习模型的输出；经由一个或多个处理器，基于数据参数集合、异常参数集合和检测模式参数集合，生成用于标识一个或多个异常项的指令集合；经由一个或多个处理器，执行用于标识异常项的指令集合，以响应于数据集的更新，实时标识数据集内的一个或多个异常项；以及经由一个或多个处理器，向用户计算设备或另一计算设备传输关于一个或多个异常项的信息。

2、在一个实现方式中，一种用于异常检测的计算系统，包括一个或多个处理器；一个或多个存储器，一个或多个存储器具有存储在其上的计算机可执行指令，在由一个或多个处理器执行时，计算机可读指令使得计算系统：接收数据参数集合；从数据库检取对应于数据参数集合的数据集；使用实时训练的机器学习模型，分析数据集以检测数据集中的一个或多个异常；选择对应于所检测的一个或多个异常的异常参数集合；根据异常参数集合过滤机器学习模型的输出；基于数据参数集合、异常参数集合和检测模式参数集合，生成用于标识一个或多个异常项的指令集合；执行用于 标识异常项的指令集合，以响应于数据集的更新，实时标识数据集内的一个或多个异常项；以及向用户计算设备或另一计算设备传输关于一个或多个异常项的信息。

1.一种用于异常检测的方法，所述方法包括：

2.如权利要求1所述的方法，其中，所述机器学习模型是自编码器神经网络。

3.如权利要求2所述的方法，进一步包括：通过向所述自编码神经网络提供对应于所述数据集中的所述一个或多个异常的数据，实时训练所述自编码神经网络。

4.如权利要求3所述的方法，进一步包括：通过向所述自编码神经网络提供一个或多个预定义规则，实时训练所述自编码神经网络。

5.如权利要求4所述的方法，其中，用于标识异常项的所述指令集合是从由所述一个或多个处理器通过网络可通信访问的外部服务器获得的。

6.如权利要求1所述的方法，其中，所述机器学习模型是无监督神经网络，所述方法进一步包括：通过向所述无监督神经网络提供对应于所述数据集中的所述一个或多个异常的数据，实时训练所述无监督神经网络。

7.如权利要求1所述的方法，其中，所述检测模式参数集合包括以下各项中的一项或多项：（i）指示哪个值要被包括在第二数据集中的时间帧，（ii）用于进一步异常检测的调度计划，（iii）与所述一个或多个异常项相关联的一个或多个规范性举措，（iv）与所述一个或多个异常项相关联的安全等级，和/或（v）与所述一个或多个异常项相关联的责任等级。

8.如权利要求7所述的方法，其中，关于所述一个或多个异常项的所述信息包括以下各项中的一项或多项：（i）对影响所述一个或多个异常项的异常的解释，和/或（ii）用于校正所述一个或多个异常项的规范性举措。

9.如权利要求7所述的方法，其中，向用户界面传输关于所述一个或多个异常的所述信息包括基于（i）所述安全等级和/或（ii）所述责任等级中的一项或多项传输所述信息。

10.如权利要求9所述的方法，其中，向所述用户设备或所述另一计算设备传输关于所述一个或多个异常的所述信息包括：

11.如权利要求9所述的方法，其中，向所述用户设备或所述另一计算设备传输关于所述一个或多个异常的所述信息包括：

12.如权利要求11所述的方法，进一步包括：

13.如权利要求1所述的方法，其中，所述异常参数包括以下各项中的一项或多项：（i）异常的指示，（ii）异常分数，和/或（iii）主成分分析的第一主成分和第二主成分。

14.如权利要求1所述的方法，进一步包括：经由一个或多个处理器，分析所述数据集，以通过应用一个或多个预定义规则来检测所述数据集中的一个或多个异常。

15.如权利要求1所述的方法，其中，根据所述异常参数集合过滤所述机器学习模型的所述输出包括实时应用预定异常参数规则。

16.如权利要求1所述的方法，其中，过滤所述机器学习模型的所述输出是根据表征所述一个或多个异常的解释数据执行的。

17.如权利要求16所述的方法，其中，所述解释数据是由经训练的机器学习模型生成的。

18.一种用于异常检测的系统，所述系统包括：

19.如权利要求18所述的系统，其中，所述机器学习模型是自编码器神经网络。

20.如权利要求19所述的系统，所述一个或多个存储器具有存储在其上的计算机可执行指令，在由所述一个或多个处理器执行时，所述计算机可读指令进一步使得所述计算系统：

21.如权利要求20所述的系统，所述一个或多个存储器具有存储在其上的计算机可执行指令，在由所述一个或多个处理器执行时，所述计算机可读指令进一步使得所述计算系统：

22.如权利要求21所述的系统，其中，用于标识异常项的所述指令集合是从由所述一个或多个处理器通过网络可通信访问的外部服务器获得的。

23.如权利要求18所述的系统，其中，所述机器学习模型是无监督神经网络，所述方法进一步包括：通过向所述无监督神经网络提供对应于所述数据集中的所述一个或多个异常的数据，实时训练所述无监督神经网络。

24.如权利要求18所述的系统，其中，所述检测模式参数集合包括以下各项中的一项或多项：（i）指示哪个值要被包括在第二数据集中的时间帧，（ii）用于进一步异常检测的调度计划，（iii）与所述一个或多个异常项相关联的一个或多个规范性举措，（iv）与所述一个或多个异常项相关联的安全等级，和/或（v）与所述一个或多个异常项相关联的责任等级。

25.如权利要求24所述的系统，其中，关于所述一个或多个异常项的所述信息包括以下各项中的一项或多项：（i）对影响所述一个或多个异常项的异常的解释，和/或（ii）用于校正所述一个或多个异常项的规范性举措。

26.如权利要求24所述的系统，其中，向所述用户设备或所述另一计算设备传输关于所述一个或多个异常的所述信息包括基于（i）所述安全等级和/或（ii）所述责任等级中的一项或多项传输所述信息。

27.如权利要求26所述的系统，其中，向所述用户设备或所述另一计算设备传输关于所述一个或多个异常的所述信息包括：

28.如权利要求26所述的系统，其中，向所述用户界面传输关于所述一个或多个异常的所述信息包括：

29.如权利要求28所述的系统，所述一个或多个存储器具有存储在其上的计算机可执行指令，在由所述一个或多个处理器执行时，所述计算机可读指令进一步使得所述计算系统：

30.如权利要求18所述的系统，其中，所述异常参数包括以下各项中的一项或多项：（i）异常的指示，（ii）异常分数，和/或（iii）主成分分析的第一主成分和第二主成分。

31.如权利要求18所述的系统，所述一个或多个存储器具有存储在其上的计算机可执行指令，在由所述一个或多个处理器执行时，所述计算机可读指令进一步使得所述计算系统：

32.如权利要求18所述的系统，其中，根据所述异常参数集合过滤所述机器学习模型的所述输出包括实时应用预定异常参数规则。

33.如权利要求18所述的系统，其中，过滤所述机器学习模型的所述输出是根据表征所述一个或多个异常的解释数据执行的。

34.如权利要求33所述的系统，其中，所述解释数据是由经训练的机器学习模型生成的。