基于卷积神经网络的多维时序数据异常判别与修复方法

本发明公开一种基于卷积神经网络的多维时序数据异常判别与修复方法，包括读取历史多维时序数据，计算时序数据空间相似度，形成相关性矩阵；将相关性矩阵输入卷积神经网络，获取多维度特征图，对相关性矩阵进行重建；通过最小化相关性矩阵的重建误差，训练神经网络模型，并将模型参数保存为文件；在实时系统中加载模型参数，将在线数据与模型重构数据比较，判断是否存在异常，若是则进行修复。本发明有效避免了同台设备多通道传感器数据联动性强，但关联关系未能有效利用的问题，能够有效检测出隐蔽性、特殊性异常，并通过神经网络重构数据对异常进行修复，有助于提升数据异常判别和修复的准确性、时效性，促进工程实践中的在线应用。