【技术实现步骤摘要】
本专利技术属于时间序列分析与异常检测，特别涉及一种融合特征相关性与时序依赖性的多变量时序异常检测方法及设备。
技术介绍
1、多变量时间序列异常检测其核心目标是从多变量时间序列数据中识别出与正常模式显著偏离的异常点或异常片段，从而为系统监控、故障预警和决策支持提供依据。传统方法主要分为基于统计的方法、基于机器学习的方法和基于深度学习的方法。基于统计的方法通过建立统计模型描述时间序列的正常行为，但难以捕捉多变量之间的复杂相关性和非线性时序依赖性。基于机器学习的方法利用分类器或回归模型识别异常，但依赖人工特征工程且对时序动态变化的建模能力不足。深度学习方法通过神经网络自动学习时序特征，但通常忽略多变量之间的相关性，且对异常样本稀少的情况适应性较差。
2、综上所述，现有方法在多变量时间序列异常检测中存在以下主要局限性：
3、(1)多变量时间序列数据通常由多个特征组成，这些特征之间往往存在复杂的相关性。特征之间的关系可能是直接的(如物理位置的接近或测量的相似性)，也可能是间接的(如反映同一物理过程的不同角度)。然而，传统的...
【技术保护点】
1.一种融合特征相关性与时序依赖性的多变量时序异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的融合特征相关性与时序依赖性的多变量时序异常检测方法，其特征在于，所述互信息系数表示为：
3.根据权利要求1所述的融合特征相关性与时序依赖性的多变量时序异常检测方法，其特征在于，所述当前时刻的预测特征，是采用过去ω个时间步的时序特征进行预测：
4.根据权利要求1所述的融合特征相关性与时序依赖性的多变量时序异常检测方法，其特征在于，所述预测特征在时间t的聚合表示为：
5.根据权利要求1或4所述的融合特征相关性与时序...
【技术特征摘要】
1.一种融合特征相关性与时序依赖性的多变量时序异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的融合特征相关性与时序依赖性的多变量时序异常检测方法，其特征在于，所述互信息系数表示为：
3.根据权利要求1所述的融合特征相关性与时序依赖性的多变量时序异常检测方法，其特征在于，所述当前时刻的预测特征，是采用过去ω个时间步的时序特征进行预测：
4.根据权利要求1所述的融合特征相关性与时序依赖性的多变量时序异常检测方法，其特征在于，所述预测特征在时间t的聚合表示为：
5.根据权利要求1或4所述的融合特征相关性与时序依赖性的多变量时序异常检测方法，其特征在于，所述当前时刻预测特征的预测值通过图神经网络的聚合操作得到...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。