计算机应用

作者：夏雨禾, 王晓东, 何启学

单位：1.中国科学院 成都计算机应用研究所，成都 610213；2.中国科学院大学，北京 100049

关键词：异常检测,多元时间序列,注意力机制,变分自编码器,频域增强

基金：四川省科技成果转移转化示范项目(2023ZHCG0005)

时间序列异常检测是时间序列分析领域的重要研究课题。由于现实工业场景中的多变量时间序列具有复杂的时空依赖性和随机性，现有许多针对单一依赖性建模的异常检测方法无法有效学习数据特征。此外，忽略频域信息会导致模型特征表示不全面。针对上述问题，提出基于频域增强图变分学习网络的时间序列异常检测模型FeGvL（Frequency-domain enhancement Graph-variational Learning）。首先，在分块操作后，通过自注意力建模时间维度上的依赖关系；其次，将频域增强后的图关系特征映射到潜在空间；最后，利用图聚合注意力网络提取实体间的特征，并结合时间依赖实现具有泛化性的变分重构。在PSM（Pooled Server Metrics）、SWaT（Secure Water Treatment）和WADI（WAter DIstribution）公共数据集上的实验结果表明，FeGvL的F1值均高于GDN（Graph Deviation Network）、TranAD（Transformer-based Anomaly Detection）和GReLeN（Graph Relational Learning Network）等7个先进的异常检测方法，且FeGvL的平均F1值与次优模型GReLeN相比提高了1.7个百分点。可见，所提模型能够有效捕获时空依赖性，提供表征能力，具有较高的异常检测精度。

来源：2025年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第10期