Journal:计算机应用
Abstract:检测多元时间序列中的异常模式对工业生产、互联网服务等场景中复杂系统的正常运行有着重要意义。连续时间上的多维数据同时存在时间和空间两种类型的相互关系，但大多数现有方法欠缺对维度之间空间关系的建模，且由于多维数据所构造的空间拓扑结构的复杂性，传统的神经网络模型较难保留建模好的空间关系。针对上述问题，提出一种面向多元时间序列异常检测的SPDAE(Symmetric Positive Definite AutoEncoder)方法。所提方法使用高斯核函数计算原始数据两个维度之间的相互关系，生成多步长、多窗口的对称正定(SPD)矩阵，以捕捉多元时间序列的时空特征；同时，设计一个类卷积自编码器网络，编码器阶段以SPD特征矩阵为输入，解码器阶段则引入注意力机制对每层编码器得到的多步长数据进行聚合，实现多尺度时空特征的重构；特别地，为保留输入数据的空间结构，编码解码器的每一层和损失计算部分分别使用符合流形拓扑的类卷积操作和Log-Euclidean度量计算重构误差。
Indexed by:Journal paper
Discipline:Engineering
Document Type:J
ISSN No.:1001-9081
Translation or Not:no
CN No.:51-1307/TP
Date of Publication:2024-01-30
Links to published journals:https://kns.cnki.net/kcms2/article/abstract?v=QuBpG80dbeASvzhW7g8wjWDOWnc0Jw-cN4S2ZnDyP1MOvF1VPDNrbeVGc5gcfbrGzzFHJEYQr5ueVEwOWdQ9UDdJ817COwe8DBXEvrPU6f0UaqG_V9RDuq4R-Tb2EGYgf3PTCJI5dC4=&uniplatform=N