基于多域特征提取的多变量时间序列异常检测

来源：计算机应用杂志2024年第11期北京时间：

作者：赵培, 乔焰, 胡荣耀, 袁新宇, 李敏悦, 张本初

单位：工业安全与应急技术安徽省重点实验室（合肥工业大学），合肥 230601

摘要：多变量时间序列（MTS）数据具有高维性，且分布复杂多变，现有的异常检测模型在面对MTS数据集时普遍存在误判率高、训练困难等问题，且多数模型仅考虑时间序列样本的时空特征，对时间序列特征的学习并不全面。为了解决以上问题，提出一种基于多域特征提取的MTS异常检测模型（MFE-TS）。首先，从原始数据域出发，使用长短期记忆（LSTM）网络与卷积神经网络（CNN）分别提取MTS的时间相关性和空间相关性特征。其次，用傅里叶变换将原始时间序列转换到频域空间，并利用Transformer学习数据在频域空间的幅度与相位特征。多域特征学习能更全面地建模时间序列特征，从而提高模型对MTS的异常检测性能。此外，引入掩码策略，进一步增强模型的特征学习能力，并使模型具备一定的抗噪性。实验结果表明，MFE-TS在多个真实MTS数据集上展现了优越的性能，同时在含有噪声的数据集中仍能保持较好的检测效果。

关键词：多变量时间序列,异常检测,无监督学习,多域特征提取

基金资助：安徽省自然科学基金资助项目(2008085MF203);中央高校基本科研业务费专项资金资助项目(PA2024GDSK0095)