1.一种基于定性趋势分析的多变量报警监控方法，其特征是：将历史原始数据转换为趋势序列，提取报警和正常数据的显著时间序列模式及相应的相似数据段，将两种显著时间序列模式进行集合运算，实现多变量的报警监控；

包括以下步骤：

S1，选择一段历史数据作为原始数据；

S2，使用定性趋势分析方法，将原始数据转换为趋势序列；

具体地，对于多变量系统X＝[X1,X2,…,Xn]的历史时间序列数据X(1:t)，应用定性趋势分析方法得到趋势序列如下，{di,i＝1,2,…,N}＝QTA(X(1:t))；                     (1)其中QTA(·)为定性趋势分析方法，di称为“文档”，“文档”的“特征”由时间序列X(t)的趋势描述[X](t)组成；  对任一时刻t，当时间序列X(t)的趋势分别为增加、减少、不变时，[X](t)的取值相应为+1、-1、0,档di的始末时刻为ti和ti+1-1，则di＝[X](ti:ti+1-1)；                                 (2)S3，根据报警配置信息，计算历史报警序列，并根据历史报警序列将数据分为报警数据集和正常数据集，多变量系统X＝[X1,X2,…,Xn]的报警序列为A(1:t)；

报警数据集XA和正常数据集XNA为

S4，将其分别应用多特征主题模型得到主题概率，多特征主题模型中每一文档di都包含R项相互独立的特征Fr，r＝1,2,…,R；每项特征可以有多种取值如下：由于特征相互独立，则一次观测 的概率为

其中1≤jr≤Mr，r＝1,2,…,R；进一步地，主题模型中包含“主题”隐变量zk，则将概率展开成包含隐变量zk的形式，未知参数集为

似然概率函数为

通过期望最大化算法最大化该似然概率，不断交替迭代E步骤和M步骤得到未知参数的解；第(s+1)轮迭代中，E步骤M步骤

其中 是文档di的第r个特征维度中出现特征 的次数；

当迭代后的未知参数收敛时结束上述迭代过程；

S5，计算报警数据集和正常数据集的显著模式及相应的相似数据段，S4得到主题概率分布P(zk|di)；对于每一个主题，计算主题概率标准差基于所有文档计算所有主题的全局标准差

对于主题zk，若σk＞σ0，则认为该主题是显著的；

对报警数据集XA和正常数据集XNA分别计算显著主题集合，得到各自的显著模式为和对于每个文档di，标注其最有可能隶属的模式为

基于此，可以对所有数据段归类为相应的模式；

S6，对两组显著模式进行集合运算；

对于多变量系统X，显著模式为报警数据集和正常数据集的显著模式的并集，Z＝ΦA∪ΨNA；                                     (14)。

2.一种基于定性趋势分析的多变量报警监控系统，其特征是：包括：数据选择模块，用于选择一段合适的历史数据作为原始数据；

趋势化模块，使用定性趋势分析方法将原始数据转换为趋势序列；

数据集划分模块，提取历史报警序列，并根据历史报警序列将数据分为报警数据集和正常数据集；

主题模型模块，对报警数据集和正常数据集分别应用多特征主题模型得到主题概率，多特征主题模型中每一文档都包含多项相互独立的特征，每项特征可有多种取值，且特征相互独立，计算一次观测的概率，将一次观测展开成包含隐变量的形式，进而构建基于隐变量的未知参数集，得到似然概率函数，通过期望最大化算法最大化该似然概率，不断迭代计算得到未知参数的解；

后处理模块，计算报警数据集和正常数据集的显著模式及相应的相似数据段，并对得到的两组显著模式进行集合运算。