本申请实施例涉及计算机，具体涉及一种异常检测方法、装置、设备及计算机可读存储介质。
背景技术：
1、对企业、用户的物流数据进行分析能够有效的为企业、用户提供更优质的物流服务，例如，通过检测企业、用户在一段时间内的物流数据，确定其中所存在的异常数据，能够便于分析出同期存在的物流服务上的不足。
2、目前，对物流数据进行异常分析主要是通过有监督学习训练得到网络模型来实现，然而，由于物流数据正负样本的不平衡性，导致现有训练得到的网络模型在用于异常检测时，还存在着准确率不够的技术问题。
技术实现思路
1、本申请实施例提供一种异常检测方法、装置、设备及计算机可读存储介质，旨在解决现有的基于有监督学习方式训练得到的网络模型在用于异常检测时，还存在的准确率不够的问题。
2、一方面，本申请实施例提供一种异常检测方法，包括：
3、获取待检测对象的快递订单数量序列；
4、获取预先训练得到的异常检测模型；所述异常检测模型是基于样本序列以及由样本序列处理得到的异常样本序列训练生成；
5、将所述快递订单数量序列输入至所述异常检测模型，输出所述待检测对象的异常检测结果：
6、作为本申请的一种可行实施例，所述获取预先训练得到的异常检测模型之前，所述方法包括：
7、获取历史快递订单数量对应的样本序列；所述样本序列包括正样本序列和携带有异常数值标签的负样本序列；
8、对所述正样本序列中的目标数值进行变换处理，生成异常样本序列；
9、将所述异常样本序列和所述负样本序列输入至预设的初始检测模型，得到所述异常样本序列对应的第一预测异常数值和所述负样本序列对应的第二预测异常数值；
10、根据所述第一预测异常数值和所述第二预测异常数值，对所述初始检测模型进行训练，得到异常检测模型。
11、作为本申请的一种可行实施例，所述根据所述第一预测异常数值和所述第二预测异常数值，对所述初始检测模型进行训练，得到异常检测模型，包括：
12、根据所述第一预测异常数值对应的序列位置信息和所述异常样本序列中异常数值对应的序列位置信息，确定第一损失值；所述异常数值为所述目标数值变换处理之后的数值；
13、根据所述第二预测异常数值对应的序列异常位置和所述异常数值标签中的序列异常位置信息，确定第二损失值；
14、根据所述第一损失值和第二损失值的加权结果对所述初始检测模型中的参数进行更新，得到更新后的检测模型；
15、直至将所述异常样本序列和所述负样本序列输入至更新后的检测模型得到的更新后的第一损失值和第二损失值满足预设条件时，将所述更新后的检测模型确定为异常检测模型。
16、作为本申请的一种可行实施例，所述根据所述第一损失值和第二损失值的加权结果对所述初始检测模型中的参数进行更新，得到更新后的检测模型，包括：
17、获取所述初始检测模型对应的更新次数；
18、根据所述更新次数对应的权重对所述第一损失值和第二损失值进行加权，得到加权损失值；
19、根据所述加权损失值对所述初始检测模型中的参数进行更新，得到更新后的检测模型。
20、作为本申请的一种可行实施例，所述对所述正样本序列中的目标数值进行变换处理，生成异常样本序列，包括：
21、从所述正样本序列中确定目标数值；
22、根据所述正样本序列中所述目标数值对应的参考子序列的统计值确定突变数值；
23、将所述目标数值替换为所述突变数值，得到异常样本序列。
24、作为本申请的一种可行实施例，所述初始检测模型包括中间处理层、第一输出层以及第二输出层；
25、所述将所述异常样本序列和所述负样本序列输入至预设的初始检测模型，得到所述异常样本序列对应的第一预测异常数值和所述负样本序列对应的第二预测异常数值，包括：
26、将所述异常样本序列输入至预设的初始检测模型中的中间处理层和第一输出层，得到异常样本序列对应的第一预测异常数值；
27、将所述负样本序列输入至所述初始检测模型中的中间处理层和第二输出层，得到负样本序列对应的第二预测异常数值；
28、所述根据所述第一预测异常数值和所述第二预测异常数值，对所述初始检测模型进行训练，得到异常检测模型，包括：
29、根据所述第一预测异常数值和所述第二预测异常数值，对所述初始检测模型中的中间处理层、第一输出层以及第二输出层进行训练，得到训练好的中间处理层、第一输出层以及第二输出层，并将训练好的中间处理层和第二输出层作为异常检测模型。
30、作为本申请的一种可行实施例，所述根据所述预测异常数值和所述异常样本序列中的异常数值，对所述初始检测模型进行训练，得到异常检测模型之后，所述方法包括：
31、将所述异常检测模型与所述样本序列对应的对象属性信息关联存储在预设数据库；
32、所述获取预先基于样本序列训练得到的异常检测模型，包括：
33、根据所述待检测对象的对象属性信息查询所述预设数据库，并将查询结果确定为所述待检测对象对应的异常检测模型。
34、另一方面，本申请实施例还提供一种异常检测装置，包括：
35、序列获取模块，用于获取待检测对象的快递订单数量序列；
36、模型获取模块，用于获取预先训练得到的异常检测模型；所述异常检测模型是基于样本序列以及由样本序列处理得到的异常样本序列训练生成；
37、检测模块，用于将所述快递订单数量序列输入至所述异常检测模型，输出所述待检测对象的异常检测结果。
38、另一方面，本申请实施例还提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储于所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述的异常检测方法中的步骤。
39、另一方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现上述的异常检测方法中的步骤。
40、本申请实施例提供的异常检测方法，在获取到待检测对象的快递订单数量序列后，利用预先训练好的异常检测模型来完成对快递订单数量序列的异常检测，由于异常检测模型是基于样本序列以及由样本序列处理得到的异常样本序列训练生成，在实际训练过程中，提高了负样本序列的占比，保证了正负样本序列的平衡，从而保证了所训练得到异常检测模型的预测效果，提高了后续异常检测的准确率。
1.一种异常检测方法，其特征在于，包括：
2.根据权利要求1所述的异常检测方法，其特征在于，所述获取预先训练得到的异常检测模型之前，所述方法包括：
3.根据权利要求2所述的异常检测方法，其特征在于，所述根据所述第一预测异常数值和所述第二预测异常数值，对所述初始检测模型进行训练，得到异常检测模型，包括：
4.根据权利要求3所述的异常检测方法，其特征在于，所述根据所述第一损失值和第二损失值的加权结果对所述初始检测模型中的参数进行更新，得到更新后的检测模型，包括：
5.根据权利要求2所述的异常检测方法，其特征在于，所述对所述正样本序列中的目标数值进行变换处理，生成异常样本序列，包括：
6.根据权利要求2所述的异常检测方法，其特征在于，所述初始检测模型包括中间处理层、第一输出层以及第二输出层；
7.根据权利要求2所述的异常检测方法，其特征在于，所述根据所述预测异常数值和所述异常样本序列中的异常数值，对所述初始检测模型进行训练，得到异常检测模型之后，所述方法包括：
8.一种异常检测装置，其特征在于，包括：
9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器以及存储于所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现权利要求1至7任一项所述的异常检测方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现权利要求1至7任一项所述的异常检测方法中的步骤。
