Mamba-KAN模型在多变量时间序列异常检测中的应用
来源：计算机工程与应用杂志2026年第13期北京时间：
作者：管联坤, 谢平, 叶成绪, 夏吉, 唐新龙
单位：1.青海师范大学 计算机学院，西宁 810016；2.青海师范大学 藏语智能全国重点实验室，西宁 810008；3.青海师范大学 青海省物联网重点实验室，西宁 810008；
摘要：在时间序列数据异常检测领域，传统方法在处理多维复杂数据时，往往难以有效捕捉长程依赖关系和复杂的特征交互模式，导致检测精度和稳定性不足。提出一种基于Mamba-KAN架构的多变量时间序列数据异常检测模型，通过多维特征分析实现高精度异常识别。模型包含三个核心模块：图注意力网络模块通过学习特征间的拓扑结构，有效捕获多维特征的动态关联；Mamba-KAN通过Mamba与KAN协同，在保持序列长程依赖捕获能力的同时，解析特征间的高阶非线性时序关联；智能决策模块依托极值统计分析构建自适应阈值机制，实现无监督场景下的异常置信度评估。实验结果表明，该框架在多个工业场景数据集上的异常检测精度显著优于传统方法，在SMD、MSL和PSM数据集上的F1分数分别达到98.44%、94.91%和97.39%。
关键词：深度学习,多变量时间序列异常检测,Mamba,KAN
基金资助：国家自然科学基金（62362057）；西宁市科学技术局项目（2024-Y-8）。
