时间序列异常检测是工业界中一个重要的研究领域。当前的时间序列异常检测方法侧重于面向完整的时间序列数据进行异常检测,而没有考虑到包含工业场景中网络异常、传感器损坏等所导致的缺失值的时间序列异常检测任务。文中针对工业场景...时间序列异常检测是工业界中一个重要的研究领域。当前的时间序列异常检测方法侧重于面向完整的时间序列数据进行异常检测,而没有考虑到包含工业场景中网络异常、传感器损坏等所导致的缺失值的时间序列异常检测任务。文中针对工业场景中更加常见的含缺失值的时间序列异常检测任务,提出了一种基于注意力重新表征的时间序列异常检测算法MMAD(Missing Multivariate Time Series Anomaly Detection)。具体来说,MMAD首先将包含缺失值的时间序列数据通过时间位置编码对时间序列中不同时间戳的空间关联进行建模,然后通过掩码注意力表征模块学习不同时间戳之间数据的关联关系并将其表征为一个高维的嵌入式编码矩阵,从而将包含缺失值的多元时间序列表示为不含缺失值的高维表征,最后引入条件标准化流对该表征进行重建,以重建概率作为异常评分,重建概率越小代表样本越异常。在3个经典时间序列数据集上进行实验,结果表明,相比其他基线方法,MMAD性能平均提升了11%,验证了MMAD在缺失值场景下进行多元时间序列异常检测的有效性。展开更多
多元时间序列(Multivariate Time Series,MTS)广泛应用于医学、经济、多媒体等领域。针对其相似模式匹配问题,该文提出一种基于2维奇异值分解(Two-Dimensional Singular Value Decomposition,2DSVD)的匹配方法。2DSVD是经典奇异值分解...多元时间序列(Multivariate Time Series,MTS)广泛应用于医学、经济、多媒体等领域。针对其相似模式匹配问题,该文提出一种基于2维奇异值分解(Two-Dimensional Singular Value Decomposition,2DSVD)的匹配方法。2DSVD是经典奇异值分解的扩展,能准确地描述MTS的本质特征。首先对MTS进行2DSVD分解;然后将MTS按行、列组成的协方差矩阵的主特征向量结合原MTS矩阵组成其模式表示矩阵,并借助Euclid范数来度量两个特征模式矩阵之间的相似程度,进而进行多元时间序列的模式匹配。最后通过与直接欧氏距离法、主成分分析、趋势距离、基于点分布特征4种相似匹配方法对3种不同数据规模的数据集进行对比实验,验证了所提方法刻画多种数据规模的多元时间序列特征的有效性和高效性。展开更多
文摘时间序列异常检测是工业界中一个重要的研究领域。当前的时间序列异常检测方法侧重于面向完整的时间序列数据进行异常检测,而没有考虑到包含工业场景中网络异常、传感器损坏等所导致的缺失值的时间序列异常检测任务。文中针对工业场景中更加常见的含缺失值的时间序列异常检测任务,提出了一种基于注意力重新表征的时间序列异常检测算法MMAD(Missing Multivariate Time Series Anomaly Detection)。具体来说,MMAD首先将包含缺失值的时间序列数据通过时间位置编码对时间序列中不同时间戳的空间关联进行建模,然后通过掩码注意力表征模块学习不同时间戳之间数据的关联关系并将其表征为一个高维的嵌入式编码矩阵,从而将包含缺失值的多元时间序列表示为不含缺失值的高维表征,最后引入条件标准化流对该表征进行重建,以重建概率作为异常评分,重建概率越小代表样本越异常。在3个经典时间序列数据集上进行实验,结果表明,相比其他基线方法,MMAD性能平均提升了11%,验证了MMAD在缺失值场景下进行多元时间序列异常检测的有效性。
文摘多元时间序列(Multivariate Time Series,MTS)广泛应用于医学、经济、多媒体等领域。针对其相似模式匹配问题,该文提出一种基于2维奇异值分解(Two-Dimensional Singular Value Decomposition,2DSVD)的匹配方法。2DSVD是经典奇异值分解的扩展,能准确地描述MTS的本质特征。首先对MTS进行2DSVD分解;然后将MTS按行、列组成的协方差矩阵的主特征向量结合原MTS矩阵组成其模式表示矩阵,并借助Euclid范数来度量两个特征模式矩阵之间的相似程度,进而进行多元时间序列的模式匹配。最后通过与直接欧氏距离法、主成分分析、趋势距离、基于点分布特征4种相似匹配方法对3种不同数据规模的数据集进行对比实验,验证了所提方法刻画多种数据规模的多元时间序列特征的有效性和高效性。
