一种基于时空图神经网络的多时段时间序列的异常检测方法技术

本发明专利技术公开了一种基于时空图神经网络的多时段时间序列的异常检测方法，建立了基于密度分布的异常值调整算法，有效的处理了设备实体数据的关键性信息缺失或异常；构建了基于多时段的双残差时空图注意力网络模型，包括基于残差网络的并行时空特征提取模型和基于双残差网络的长时间序列预测模型，提升了系统异常检测的及时性和准确率，有效辅助用户进行系统维护；提出了多时段预测结果融合算法，设置初始值并自适应地学习分量权重，以实现更准确的预测。本发明专利技术有助于满足调度、设备、运维等业务条线的专业需求，对系统的维护和建设具有重要意义。所述方法包括如下步骤：步骤S1：将相互协作的设备实体构建图模型，采集每个设备实体的多变量时间序列并对每个单独的时间序列执行数据标准化和基于密度分布的异常值调整；步骤S2：构建基于多时段的双残差时空图注意力网络模型，输入经过预处理的多变量时间序列数据分别得到基于不同历史周期数据的多分量预测结果；步骤S3：将输入不同周期数据的多分量模型预测结果使用多时段预测结果融合算法得到最终的预测结果。

【技术实现步骤摘要】

本专利技术属于电子信息，尤其是一种基于时空图神经网络的多时段时间序列的异常检测方法。

技术介绍

1、时间序列异常检测是计算机科学和数据挖掘中一个非常重要的领域。在工业场景中，由于未检测到的故障可能导致严重损坏，因此必须要具备异常检测的能力。设备实体容易发生故障，这意味着有效的异常检测可以提高系统的可用性和可靠性。异常状态没有被检测到会直接影响生产效率，造成运营和维护成本上升。因此，在电力系统、网络设备、汽车、制造、能源或工业传感器网络等多个真实的工业场景中可以找到该主题的许多研究。

2、近年来，由于工业4.0和物联网的发展，技术为公司提供了更高效、更可靠的监控系统。通过这种方式，工业的设备实体配备了多个传感器，这些传感器形成了一个多传感器系统。这些系统使数据收集更加简单，所以现在可以获得更多数量和质量的数据。因此，用于时间序列异常检测的机器学习技术激增。然而工业的设备实体是复杂的，并且经常使用大量的传感器，并且这些设备实体中的许多执行动作由多个事件组成，这使得检测异常变得更加困难。因为必须考虑每个事件发生在时间序列的哪个部分。因此，在一个时间序本文档来自技高网...

【技术保护点】

1.一种基于时空图神经网络的多时段时间序列的异常检测方法，其特征是，包括如下步骤：

2.根据权利要求1所述的基于时空图神经网络的多时段时间序列的异常检测方法，其特征是，所述基于密度分布的异常值调整算法，其公式如下：

3.根据权利要求1所述的基于时空图神经网络的多时段时间序列的异常检测方法，其特征是，所述基于密度分布的异常值调整算法，包括：

4.根据权利要求3所述的基于时空图神经网络的多时段时间序列的异常检测方法，其特征是，基于残差网络的并行时空特征提取模型，包括：

5.根据权利要求3所述的基于时空图神经网络的多时段时间序列的异常检测方法，其...

【技术特征摘要】

1.一种基于时空图神经网络的多时段时间序列的异常检测方法，其特征是，包括如下步骤：

2.根据权利要求1所述的基于时空图神经网络的多时段时间序列的异常检测方法，其特征是，所述基于密度分布的异常值调整算法，其公式如下：

3.根据权利要求1所述的基于时空图神经网络的多时段时间序列的异常检测方法，其特征是，所述基于密度分布的异常值调整算法，包括：

4.根据权利要...

【专利技术属性】
技术研发人员：邓箫，曹敬，
申请(专利权)人：河海大学，
类型：发明
国别省市：