基于动态图结构学习的多参数时间序列异常检测模型

作者：汪增辉; 朱家佳; 周增光; 张静; 李晓辉

来源：信息与电脑(理论版), 2023, 35(06): 112-116.

DOI：10.3969/j.issn.1003-9767.2023.06.031

• 多参数时间序列
• 深度学习
• 图神经网络(GNN)
• 长短期记忆(LSTM)

为了对多参数时间序列异常检测进行研究，针对现有研究对时空耦合特征挖掘不够充分的问题，使用若干基于深度学习的方法，提出了一种基于动态图结构学习的多参数时间序列异常检测模型。动态图模型（Dynamic Graph Model,DGM）使用基于图神经网络和长短时记忆网络的方法，在构建图数据结构时采用单向动态图构建方式，对现有研究多采用的静态图构建的模型进行了改进。首先在图学习层中加入了随着模型训练而学习的超参数，使图结构能够进行自适应学习和调整；其次使用长短时记忆模型进行时空耦合特征挖掘；最后使用基于循环神经网络预测和基于变分自编码器重构相结合的方法进行异常检测。采用SWa T数据集对模型进行了测试，将动态图模型与目前常用的其他6种静态图模型进行对比，F1综合性能提升超过3个百分点，验证了动态图模型的有效性。

• 单位
  中国科学院大学