-
题名面向多变量时间序列异常检测的双图注意力网络模型
- 1
-
-
作者
李汉章
严宣辉
李镇力
严雨薇
王廷银
-
机构
福建师范大学计算机与网络空间安全学院
福建师范大学福建省环境监测物联网实验室
福建师范大学协和学院
福建师范大学光电与信息工程学院
-
出处
《计算机科学与探索》
北大核心
2025年第4期1048-1064,共17页
-
基金
国家自然科学基金面上项目(62171131)
福建省科技厅引导性项目(2023Y0012)
福建省教育厅中青年教师教育科研项目(JAT231188)。
-
文摘
时间序列异常检测在时序任务中属于经典研究领域,并已在学术界和工业界取得了一系列研究成果。针对多变量时间序列数据中蕴含的多角度深层特征和内在复杂依赖关系,提出一种融合时空特征的异常检测模型。该模型采用图注意力网络结构,由时间图模块(T-GAT)和空间图模块(F-GAT)组成。T-GAT构建一种单向加权图,图的边表示时间依赖特性,以此来模拟时间图结构的先验信息并融入图网络中获取时间依赖关系。F-GAT将时间序列转换为以幅值表示的频域序列,通过建立全局双向加权图来模拟多变量之间的关联关系,并通过正则化来维护邻居节点的稀疏性,以此来保证对空间关系的准确捕捉。同时模型引入多维注意力机制确保对不同特征的深层信息进行有效挖掘和利用。由门控循环单元进一步处理时空信息并融合为全面特征,并通过预测值与观测值的差异来判定异常。实验结果表明,该模型以4个公共数据集上优异的F1分数在12个对比模型中实现先进的性能,并在消融实验中证实了同时建模时空关系的先验双图结构模式和注意力机制有效提升了异常检测精度,可以有效地识别时间序列数据中的异常情况。
-
关键词
多变量时间序列
异常检测
深度学习
时空信息
图注意力网络
-
Keywords
multivariate time series
anomaly detection
deep learning
spatiotemporal information
graph attention networks
-
分类号
TP39
[自动化与计算机技术—计算机应用技术]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名融合双重注意力机制的时间序列异常检测模型
被引量：4
- 2
-
-
作者
杨超城
严宣辉
陈容均
李汉章
-
机构
福建师范大学计算机与网络空间安全学院
福建师范大学福建省环境监测物联网实验室
-
出处
《计算机科学与探索》
CSCD
北大核心
2024年第3期740-754,共15页
-
基金
国家自然科学基金面上项目(61976053)
福建省科技厅引导性项目(2020H0011,2023Y0012)。
-
文摘
时间序列异常检测作为时间序列研究的重要组成部分,已经引起学术界和工业界的广泛关注和研究。针对时间序列数据中蕴含的深层局部特征和复杂的前后依赖关系,提出一种融合双重注意力机制的异常检测模型。该模型采用自编码器结构,由挤压激励注意力模块(SEAB)和概率稀疏自注意力模块(PSAB)组成编码器。SEAB通过利用动态加权窗口划分,为具有强可辨识性的子序列片段赋予更大的权重,使模型能够更加有效地挖掘出具有重要信息的局部特征。PSAB则采用稀疏自注意力机制,保留具有较高权重的点积,去除冗余的时序特征,降低了时间复杂度,从而捕获时间序列的长期依赖关系。实验结果表明,该模型在9个对比模型中取得了最高的F1分数0.97,并在14个测试数据集中有8个F1分数超过其他所有对比模型,因此可有效地识别时间序列数据中的异常情况,并具备先进的异常检测性能。
-
关键词
时间序列
异常检测
深度学习
注意力
自编码器
-
Keywords
time series
anomaly detection
deep learning
attention
autoencoder
-
分类号
TP39
[自动化与计算机技术—计算机应用技术]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
