CN119494063A 一种多元时间序列异常检测方法及系统 （湖南工商大学）

本发明提供了一种多元时间序列异常检测多元时间序列并进行预处理生成目标多元时间模块和多头注意力模块结合融合特征实现全局设训练模型对目标多元时间序列进行重构以确2获取多元时间序列并对所述多元时间序列进行预处理以生成目标多元时间序利用门控循环单元在所述滑动窗口序列中提取通过通道注意力模块和多头注意力模块结合所述融合特征实现对所述多元时间序列使用预设训练模型对所述目标多元时间序列进行重获取预设阈值，并根据所述预设阈值和所述异常分数判断所述多元时间序列是否异在所述目标多元时间序列中确定时间戳时间戳t上数据点xt采用图卷积神经网络在所述滑动窗口序列中提取维度特征，F12和邻接矩阵E∈RMXM的计算过程为：3力模块和多头注意力模块结合所述融合特征实现对所述多元时间序列全局特征和局部特将所述融合特征FT,D∈RTXCXW映射到特征F'T,D∈RT'XC'XW'中，采用全局平均池化层力模块和多头注意力模块结合所述融合特征实现对所述多元时间序列全局特征和局部特qkv]＝[Q,K,V]4qkk为K的维度数。ii通过对上述过程进行优先级排序来选择Top_u作为其中u的大小通过采样数确定，多头注意力机制允许模型在不同的子空间中进行自注5,采用生成解码器Decoder1和鉴别解码器Decoder2生成对抗获取预设训练模型，利用所述对抗训练模块采用对抗训练的方生成与输入窗口W近似的重构数据，其中生成解码器Decoder1生成Y1，鉴别解码器2表示均方误差函数；根据所述重构误差lossn来作为焦点矩阵即结合所述重构序列Y1经过模型推理9.根据权利要求1所述的多元时间序列异常检测方法，其特征在于，所述获取预设阈采用基于极值理论的POT自动阈值选择方法确定预处理模块，用于获取多元时间序列并对所述多元时间序列进行预滑动窗口模块，用于以滑动窗口的形式根据所述目标多元时间序列确定滑动窗口序维度提取模块，用于利用门控循环单元在所述滑动窗口序列中提取时间特融合结果模块，用于通过通道注意力模块和多头注意力模块结所述多元时间序列全局特征和局部特征的融合并生成融异常分数模块，用于使用预设训练模型对所述目标多元时间异常判断模块，用于获取预设阈值，并根据所述预设阈值和所67[0012]通过通道注意力模块和多头注意力模块结合所述融合特征实现对所述多元时间8F19k为K的维度数。[0056]可选的，所述通过通道注意力模块实现对所述目标多元时间序列的全局特征融[0057]引入概率稀疏注意力计算方法，通过Kullback-Leibler(KL)散度选择u个重要的[0064]通过对上述过程进行优先级排序来选择Top_u作为其中u的大小通过采样数确得到FeedForwardNetwor,[0075]利用训练后的所述预设训练模型对所述目标多元时间序列进行重构以确定异常标多元时间序列；现对所述多元时间序列全局特征和局部特征的融合并生成[0101]图4是本申请多元时间序列异常检测方法第一实施例的基于特征融合的双重注意[0106]步骤S10：获取多元时间序列并对多元时间序列进行预处理以生成目标多元时间时间序列中预处理的方式是指通过线性归一化对输入的时间序列T的各时间步进行处理，F1[0130]步骤S50：通过通道注意力模块和多头注意力模块结合融合特征实现对多元时间时间序列全局特征和局部特征的融合并生成融合结果的步骤，包括：将融合特征FT,D∈RTk为K的维度数。[0151]可以理解的是，通过通道注意力模块实现对目标多元时[0158]通过对上述过程进行优先级排序来选择Top_u作为其中u的大小通过采样数确得到FeedForwardNetworks层的输入I11，同时对输入的矩阵使用卷积操作，即Conv[0183]步骤S70：获取预设阈值，并根据预设阈值和异常分数判断多元时间序列是否异[0185]在具体实施中，基于极值理论[0189]如果多元时间序列的m维度中有任意一个维度出现异常，则将当前时间戳标记为入格式；将归一化后的数据按照一定的比例划分为训练集和测试集，利用门控循环单元征，并将时间特征和维度特征进行融合；通过通道注意力模块(SEAB)和多头注意力模块(MHAB)实现对时间序列全局和局部特征的融合；使用对抗训练的方式采用改进的对多元时间序列全局特征和局部特征的融合并生成融的形式体现出来，该计算机软件产品