一种基于多变量时序数据的多阶段异常检测系统技术方案

本申请涉及数据异常检测领域，其具体地公开了一种基于多变量时序数据的多阶段异常检测系统，其包括输入数据获取模块，用于获取时序多变量数据；MTS‑Mixer时空特征提取模块，通过特征混合技术提取多层次时序关联特征，并生成低秩压缩预测特征；时序异常检测模块，采用Anomaly‑Attention层与前馈网络交替堆叠，结合先验约束与对抗学习扩大异常差异，融合重建误差与关联差异生成异常分数，实现异常定位与分类；注意力机制软阈值化模块，用于抑制噪声，增强关键信号，输出高信噪比表征。本申请集成多种技术，通过多阶段协同优化，实现高维时序数据的实时异常检测与可解释性定位。

【技术实现步骤摘要】

本申请涉及数据异常检测领域，且更为具体地，涉及一种基于多变量时序数据的多阶段异常检测系统。

技术介绍

1、异常检测是通过分析海量数据，识别出不符合预期的异常行为，这些行为通常会对系统造成危害。它在智慧能源、数据中心、制造行业等复杂系统中广泛应用，这些场景中部署了大量传感器和执行器，生成具有时间序列特征且复杂的数据。随着工艺和业务逻辑的复杂化，数据模式也变得更加微妙，识别异常行为变得尤为重要。

2、在工业生产中，积累了大量多变量时序数据，这些数据存在噪声、波动和非平衡性等特点，传统的异常检测方法难以有效应对。例如，k-means、dbscan等聚类方法难以确定参数，且缺乏对时序顺序信息的利用；局部异常因子(lof)方法在高维数据处理和结果解释方面存在不足；基于集成学习的方法易过拟合，泛化能力差。相比之下，神经网络能够捕捉时间和空间相关性，基于自编码器、lstm、gan、vae等深度学习方法在异常检测中表现出色。

3、近年来，transformer架构凭借其自注意力机制在多变量时间序列异常检测中脱颖而出。它能够高效处理序列数据，捕捉长距本文档来自技高网...

【技术保护点】

1.一种基于多变量时序数据的多阶段异常检测系统，其特征在于，包括：

2.根据权利要求1所述的基于多变量时序数据的多阶段异常检测系统，其特征在于，所述MTS-Mixer时空特征提取模块，包括：

3.根据权利要求2所述的基于多变量时序数据的多阶段异常检测系统，其特征在于，利用时间过滤器捕捉时间维度的依赖关系，包括：

4.根据权利要求3所述的基于多变量时序数据的多阶段异常检测系统，其特征在于，利用通道过滤器捕捉通道依赖关系，包括：

5.根据权利要求4所述的基于多变量时序数据的多阶段异常检测系统，其特征在于，在所述时序异常检测模块中，通过交替堆叠A...

【技术特征摘要】

1.一种基于多变量时序数据的多阶段异常检测系统，其特征在于，包括：

2.根据权利要求1所述的基于多变量时序数据的多阶段异常检测系统，其特征在于，所述mts-mixer时空特征提取模块，包括：

3.根据权利要求2所述的基于多变量时序数据的多阶段异常检测系统，其特征在于，利用时间过滤器捕捉时间维度的依赖关系，包括：

4.根据权利要求3所述的基于多变量时序数据的多阶段异常检测系统，其特征在于，利用通道过滤器捕捉通道依赖关系，包括：

5.根据权利要求4所述的基于多变量时序数据的多阶段异常检测系统，其特征在于，在所述时序异常检测模块中，通过交替堆叠anomaly-attention层与前馈网络，动态建模多层级时序关联，包括：<...

【专利技术属性】
技术研发人员：尚文利，丁磊，浣沙，张曼，曹忠，高晓斌，李淑琦，时昊天，
申请(专利权)人：广州大学，
类型：发明
国别省市：