基于Boosting算法和Saxformer框架的多维时间序列异常检测方法技术

本发明专利技术提供一种基于Boosting算法和Saxformer框架的多维时间序列异常检测方法，包括：获取多维时间序列训练集，所述多维时间序列训练集包括M个传感器在N个时刻采集到的感应数值；基于多维时间序列训练集，训练得到时间序列异常检测模型，所述时间序列异常检测模型包括Transformer基础模型、Boosting模型及Conv1d‑Deconv1d模型；将待测多维时间序列输入至时间序列异常检测模型进行处理，得到与待测多维时间序列对应的各时刻的数值预测结果；基于待测多维时间序列与对应的各时刻的数值预测结果，计算所述待测多维时间序列对应的各时刻的偏离量；基于待测多维时间序列对应的各时刻的偏离量，判断待测多维时间序列是否异常。本发明专利技术能够显著提高多维时间序列异常检测的效率和准确度。

【技术实现步骤摘要】

本专利技术属于时间序列异常检测领域，具体涉及一种基于boosting算法和saxformer框架的多维时间序列异常检测方法。

技术介绍

1、随着传感器等硬件技术的发展，越来越多的时间序列被收集用于机器运行状态的研究指标，其中时间序列的异常状态(指序列中模式存在不一致的点，如突然的上升或下降、趋势改变、层级变换、超出历史最大值/最小值等)的分类与检测是及时发现问题、规避风险的重要任务。传统的时间序列异常检测方法以统计学理论以及相似性度量为基础，只适用于一些简单背景下的异常检测，随着系统的不断复杂化，其局限性日渐凸显。

2、近年来，transformer作为一种深度学习的seq2seq模型，得益于其中自注意力机制以及位置编码在捕捉长期依赖关系上的优异性能，被认为适用于时间序列领域问题的解决。现有的基于transformer的时间序列异常检测技术通常采用基于单个序列的串行训练与预测方式，这种模式存在效率低、耗时长等问题，并且对长序列的特征提取采用稀疏点积取代逐个点积的做法更是会遗失部分信息，从而导致现有模型的鲁棒性和泛化性不足。</p>

3、sa本文档来自技高网...

【技术保护点】

1.一种基于Boosting算法和Saxformer框架的多维时间序列异常检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于Boosting算法和Saxformer框架的多维时间序列异常检测方法，其特征在于，所述步骤S2中训练得到时间序列异常检测模型，包括：

3.根据权利要求2所述的基于Boosting算法和Saxformer框架的多维时间序列异常检测方法，其特征在于，在步骤S21中对所述多维时间序列训练集进行SAX字符化处理，包括：

4.根据权利要求2所述的基于Boosting算法和Saxformer框架的多维时间序列异常检测方法，其...

【技术特征摘要】

1.一种基于boosting算法和saxformer框架的多维时间序列异常检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于boosting算法和saxformer框架的多维时间序列异常检测方法，其特征在于，所述步骤s2中训练得到时间序列异常检测模型，包括：

3.根据权利要求2所述的基于boosting算法和saxformer框架的多维时间序列异常检测方法，其特征在于，在步骤s21中对所述多维时间序列训练集进行sax字符化处理，包括：

4.根据权利要求2所述的基于boosting算法和saxformer框架的多维时间序列异常检测方法，其特征在于，在所述步骤s22中基于所述第一训练数据集训练得到transformer基础模型，包括：

5.根据权利要求2所述的基于boosting算法和saxform...

【专利技术属性】
技术研发人员：李丹菁，宋颖，
申请(专利权)人：上海应用技术大学，
类型：发明
国别省市：