[發明專利]基于解纏繞網絡的多變量時間序列異常檢測方法及系統

在審

• 申請號: 202210797654.6
• 申請日: 2022-07-06
• 公開（公告）號: CN115344621A
• 公開（公告）日: 2022-11-15
• 發明（設計）人: 王春枝;邢紹文;高榕;嚴靈毓;吳珺;周顯敬;劉虎
• 申請（專利權）人: 湖北工業大學;武漢卓爾信息科技有限公司
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06K9/62;G06N3/04;G06F16/9537
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 韓雪梅

1.一種基于解纏繞網絡的多變量時間序列異常檢測方法，其特征在于，包括：

獲取初始多變量時間序列數據，并對所述多變量時間序列數據進行規范化處理，得到預處理多變量時間序列數據；

基于解纏繞全局網絡得到所述預處理多變量時間序列數據的全局依賴關系；

基于局部注意力網絡得到所述預處理多變量時間序列數據的局部動態依賴關系；

基于所述全局依賴關系和所述局部動態依賴關系得到融合依賴關系；

基于時間網絡得到所述預處理多變量時間序列數據的時間依賴關系；

基于所述預處理多變量時間序列數據的融合依賴關系、時間依賴關系和順序關系得到融合關系；

基于所述融合關系得到預測多變量時間序列數據；基于所述預測多變量時間序列數據和所述預處理多變量時間序列數據得到是否異常。

2.根據權利要求1所述的基于解纏繞網絡的多變量時間序列異常檢測方法，其特征在于，所述初始多變量時間序列數據由同一實體的多個初始單變量時間序列數據組成，每個所述初始單變量時間序列數據對應一個傳感器的監測值；所述預處理多變量時間序列數據包括多個預處理單變量時間序列數據。

3.根據權利要求2所述的基于解纏繞網絡的多變量時間序列異常檢測方法，其特征在于，所述基于解纏繞全局網絡得到所述預處理多變量時間序列數據的全局依賴關系，包括：

基于每個傳感器的嵌入向量得到每個傳感器之間的相似度；

基于每個傳感器之間的相似度得到解纏繞鄰接矩陣；

基于所述解纏繞鄰接矩陣和所預處理多變量時間序列數據得到所述全局依賴關系。

4.根據權利要求2所述的基于解纏繞網絡的多變量時間序列異常檢測方法，其特征在于，所述基于局部注意力網絡得到所述預處理多變量時間序列數據的局部動態依賴關系，包括：

對每個傳感器的位置信息進行嵌入表示，得到初始傳感器位置嵌入矩陣；

將所述初始傳感器位置嵌入矩陣沿空間軸平鋪，得到傳感器位置嵌入矩陣；

基于所述傳感器位置嵌入矩陣和所述預處理多變量時間序列數據，得到嵌入特征矩陣；

將所述嵌入特征矩陣投影到三個高維子空間中，得到三個嵌入特征分量；

基于三個所述嵌入特征分量得到初始局部動態依賴關系；

基于所述初始局部動態依賴關系，采用前饋神經網絡，得到所述局部動態依賴關系。

5.根據權利要求2所述的基于解纏繞網絡的多變量時間序列異常檢測方法，其特征在于，所述基于時間網絡得到所述預處理多變量時間序列數據的時間依賴關系，包括：

對每個傳感器的時間位置信息進行嵌入表示，得到初始傳感器時間位置嵌入矩陣；

將所述初始傳感器時間位置嵌入矩陣沿空間軸平鋪，得到傳感器時間位置嵌入矩陣；

基于所述傳感器時間位置嵌入矩陣和所述預處理多變量時間序列數據，得到時間嵌入特征矩陣；

將所述時間嵌入特征矩陣投影到三個高維子空間中，得到三個時間嵌入特征分量；

基于三個所述嵌入特征分量，采用縮放點積函數，得到初始局部動態依賴關系；

基于所述初始局部動態依賴關系，采用前饋神經網絡，得到所述時間依賴關系。

6.一種基于解纏繞網絡的多變量時間序列異常檢測系統，其特征在于，包括：

數據處理模塊，用于獲取初始多變量時間序列數據，并對所述多變量時間序列數據進行規范化處理，得到預處理多變量時間序列數據；

全局模塊，用于基于解纏繞全局網絡得到所述預處理多變量時間序列數據的全局依賴關系；

局部模塊，用于基于局部注意力網絡得到所述預處理多變量時間序列數據的局部動態依賴關系；

第一融合模塊，用于基于所述全局依賴關系和所述局部動態依賴關系得到融合依賴關系；

時間模塊，用于基于時間網絡得到所述預處理多變量時間序列數據的時間依賴關系；

第二融合模塊，用于基于所述預處理多變量時間序列數據的融合依賴關系、時間依賴關系和順序關系得到融合關系；

預測判斷模塊，用于基于所述融合關系得到預測多變量時間序列數據；基于所述預測多變量時間序列數據和所述預處理多變量時間序列數據得到是否異常。