科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对现有多维时间序列异常检测模型对局部和全局时空依赖性捕获能力不足的问题，提出一种基于时空图卷积网络的多维时间序列异常检测模型。首先，在时间维度上利用扩张因果卷积和多头自注意力机制，分别捕获短期和长期时间依赖性，并且引入通道注意力来学习不同通道的重要性权重；其次，在空间维度上利用静态图学习层根据节点嵌入构建静态图邻接矩阵，旨在捕获多维时间序列数据的全局空间依赖性，同时利用动态图学习层构建一系列演化的图邻接矩阵，旨在建模局部动态的空间依赖性；最后，联合优化重构模型和预测模型，通过重构误差和预测误差计算异常分数，然后比较阈值和异常分数的关系，进而检测异常。在MSL、SMAP和SWaT三个公开数据集上的实验结果表明，该模型在异常检测性能指标F1分数方面优于OmniAnomaly、MTAD-GAT和GDN等相关的基线模型。
- 单位
