一种基于时间变量双注意力机制多维时序异常检测方法技术

本发明专利技术公开了基于时间变量双注意力机制多维时序异常检测方法，充分利用编码器‑解码器架构来捕捉时间序列中的时空特性及其内部动态关系，从而完成对时序数据中异常点的预测，该方法包括获取时间序列历史数据x，每条数据包括时间戳及属性值；通过归一化方法对x进行归一化处理得到x<supgt;*</supgt;；从x<supgt;*</supgt;中逐步提取固定大小的时间窗口数据；通过时间嵌入提取时间变化趋势信息，通过线性映射进行变量嵌入提取变量间相互依赖关系；将各自嵌入后的数据送入各自的编码器架构或编解码器架构，分别得到y<subgt;1</subgt;,y<subgt;2</subgt;；对y<subgt;1</subgt;,y<subgt;2</subgt;进行融合；针对预测数据与真实数据，计算绝对误差；利用广利帕累托分布原理，对绝对误差计算异常阈值，确定异常点。

【技术实现步骤摘要】

本专利技术涉及异常检测，尤其涉及一种基于时间变量双注意力机制多维时序异常检测方法。

技术介绍

1、近年来，异常检测技术尤其在多维时间序列数据分析领域中变得越来越重要。在诸多实际应用场景中，例如金融市场监控、工业生产过程控制、网络安全以及健康医疗监测等，准确及时地识别出数据中的异常模式对于维护系统稳定性、预防潜在风险至关重要。传统的异常检测技术，如阈值法、统计模型、基于距离的方法以及基于密度的方法等，在处理低维或简单模式的时间序列数据时表现良好。

2、然而，现有技术在处理高维、复杂关系以及长期依赖的多维时间序列数据时面临着显著的挑战。首先，数据稀疏性问题在高维数据中尤为突出，导致传统方法难以捕捉到数据中蕴含的复杂模式和依赖关系。其次，随着数据维度的增加，"维度的诅咒"现象使得计算复杂度急剧上升，限制了这些方法的实用性。此外，许多现有方法在设计时没有充分考虑到时间和变量之间的动态相互作用，导致模型无法有效地利用时间序列数据中的时空信息，从而降低了异常检测的准确性和灵敏度。最后，大多数方法需要人为设定阈值或参数，这不仅增加了模型使用的复杂性，而且在面本文档来自技高网...

【技术保护点】

1.一种基于时间变量双注意力机制多维时序异常检测方法，其特征在于，具体步骤包括：

2.如权利要求1所述的一种基于时间变量双注意力机制多维时序异常检测方法，其特征在于，所述S102得到训练数据x*的步骤为：

3.如权利要求1所述的一种基于时间变量双注意力机制多维时序异常检测方法，其特征在于，所述S103-2计算x′下一时刻在时间方向上的预测信息y1的步骤如下：

4.如权利要求1所述的一种基于时间变量双注意力机制多维时序异常检测方法，其特征在于，所述S103-3计算x′下一时刻在变量方向上的预测信息y2的步骤如下：

5.如权利要求1所述的一种基...

【技术特征摘要】

1.一种基于时间变量双注意力机制多维时序异常检测方法，其特征在于，具体步骤包括：

2.如权利要求1所述的一种基于时间变量双注意力机制多维时序异常检测方法，其特征在于，所述s102得到训练数据x*的步骤为：

3.如权利要求1所述的一种基于时间变量双注意力机制多维时序异常检测方法，其特征在于，所述s103-2计算x′下一时刻在时间方向上的预测信息y1的步骤如下：

4.如权利要求1所述的一种...

【专利技术属性】
技术研发人员：张小洪，刘鹏程，
申请(专利权)人：重庆大学，
类型：发明
国别省市：