CN117034175B - 一种基于通道融合自注意力机制的时序数据异常检测方法 - Google Patents
一种基于通道融合自注意力机制的时序数据异常检测方法 Download PDFInfo
- Publication number
- CN117034175B CN117034175B CN202311286150.9A CN202311286150A CN117034175B CN 117034175 B CN117034175 B CN 117034175B CN 202311286150 A CN202311286150 A CN 202311286150A CN 117034175 B CN117034175 B CN 117034175B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- sequence data
- time
- data
- self
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 230000007246 mechanism Effects 0.000 title claims abstract description 27
- 230000004927 fusion Effects 0.000 title claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 26
- 230000005856 abnormality Effects 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于通道融合自注意力机制的时序数据异常检测方法，基于变量类型将时序数据分裂为时序向量和多个单类型向量，使时间信息与不同类型信息相互独立，采用多个单变量通道分别处理多个单类型向量，并行提取各单类型向量的特征后将特征进行融合，最后对融合后的特征进行异常检测，以满足数据变化频繁及多样的需求，同时有效降低了时序数据异常检测的计算复杂度，提高了的检测效率。
Description
技术领域
本发明属于计算机应用开发技术领域，具体涉及一种基于通道融合自注意力机制的时序数据异常检测方法。
背景技术
在现实生活中异常数据的产生是不可避免的。例如，在工业生产中由设备故障或异常操作产生的异常数据可能造成生产线的停机和损失，在金融领域中由欺诈行为产生的异常数据则可能导致巨额财务的损失，在计算机网络中恶意攻击和入侵则可能导致数据泄漏和系统瘫痪。因此，需要及时发现并处理这些异常情况。传统的异常检测方法，如基于统计学的方法，往往需要假设数据服从某种特定的分布而无法处理复杂的非线性异常模式，而基于规则或规则引擎的方法则很难适应数据的变化及多样性。同时，这些传统方法在处理大规模数据和高维数据时也存在计算性能较低和计算复杂度较高的问题。
发明内容
有鉴于此，本发明提供了一种基于通道融合自注意力机制的时序数据异常检测方法，实现了基于筛选机制的最优动态库加载。
本发明提供的一种基于通道融合自注意力机制的时序数据异常检测方法，包括以下步骤：
步骤1、采集目标数据形成时序数据集，再采用给定大小的滑动窗口滚动截取时序数据集得到多个时序数据序列，将截取到的时序数据序列转换为输入矩阵，以输入矩阵作为训练样本集合，标签为正常和异常；所述输入矩阵包括标量投影、局部时间戳和全局时间戳；
步骤2、构建时序数据异常检测模型，包括通道分裂模块、基于深度可分离卷积自注意力机制的特征提取模块、通道融合模块及异常检测模块，所述通道分裂模块根据输入矩阵中的变量类型及对应的局部时间戳和全局时间戳将输入矩阵分裂为时序向量及多个单类型向量，时序向量对应时序特性通道，多个单类型向量对应多个单变量通道；每个单变量通道分别与一个基于深度可分离卷积自注意力机制的特征提取模块相连，单变量通道中的单类型向量经特征提取模块处理后得到多个包含局部趋势的特征图；多个特征图由通道融合模块融合得到最终特征图，最终特征图由异常检测模块检测其是否存在异常；
步骤3、采用步骤1构建的训练样本集合训练时序数据异常检测模型，当训练次数达到阈值或其在验证集上的误差连续多轮训练内累计的改善幅度小于阈值时结束训练；
步骤4、按照步骤1提供的方式将待检测时序数据转换为输入矩阵，将输入矩阵输入步骤3训练得到的时序数据异常检测模型，时序数据异常检测模型的输出即为待检测时序数据是否存在异常。
进一步地，所述步骤1中所述采集目标数据形成时序数据集的方式为以设定时间为间隔进行采集。
进一步地，所述步骤1中所述采用给定大小的滑动窗口滚动截取时序数据集得到多个时序数据序列，将截取到的时序数据序列转换为输入矩阵，实现方式为：根据实际需求设定滑动窗口的大小，设定滑动窗口的起始位置，从起始位置开始按照滑动窗口的大小截取时序数据集中时序数据，形成时序数据序列，获取时序数据序列中的标量投影和标量上下文；以起始位置上增加设定的步长作为新的截取起始位置，再按照滑动窗口的大小，截取时序数据集中时序数据形成时序数据序列，获取时序数据序列中的标量投影和标量上下文；累加新的步长，复执行多次直至遍历整个时序数据集。
进一步地，所述步骤2中所述基于深度可分离卷积自注意力机制的特征提取模块包括串联的自注意力计算层、深度卷积层、自注意力计算层和深度卷积层。
进一步地，所述自注意力计算层采用概率稀疏多头自注意力机制实现。
进一步地，所述深度卷积层采用深度可分离卷积实现。
进一步地，所述通道融合模块为基于全动态矩阵进行通道融合。
进一步地，所述步骤3中采用均方误差作为损失函数。
有益效果
本发明基于变量类型将时序数据分裂为时序向量和多个单类型向量，使时间信息与不同类型信息相互独立，采用多个单变量通道分别处理多个单类型向量，并行提取各单类型向量的特征后将特征进行融合，最后对融合后的特征进行异常检测，以满足数据变化频繁及多样的需求，同时有效降低了时序数据异常检测的计算复杂度，提高了的检测效率。
附图说明
图1为本发明提供的一种基于通道融合自注意力机制的时序数据异常检测方法构建的时序数据异常检测模型结构示意图。
图2为本发明提供的一种基于通道融合自注意力机制的时序数据异常检测方法构建的基于深度可分离卷积自注意力机制的特征提取模块结构示意图。
具体实施方式
下面列举实施例，对本发明进行详细描述。
数据异常检测需要从原始数据中选择并提取适合的特征来描述数据，因此特征的选择和提取是数据异常检测中的关键问题。时序数据具有以下特点，一是，时序数据通常具有特定趋势和周期性，数据异常检测则需识别出与正常趋势和周期性不相符的数据点或模式；二是，时序数据可能会受到季节性因素的影响，例如天气、假期等，数据异常检测需要识别出与季节性模式不一致的数据；三是，时序数据中可能存在噪声和波动，数据异常检测需要识别出与噪声和波动模式不一致的数据点；四是，时序数据中可能会出现突变和阶跃现象，数据异常检测需要识别突变和阶跃点；五是，时序数据中可能存在缺失值，数据异常检测需要检测出缺失值的位置并判断其是否异常；六是，时序数据中的变量可能存在相关性和相关系数，数据异常检测需要识别与正常相关性和相关系数不一致的数据点。
例如：对于股票交易数据，需要检测股票价格的异常波动或交易量的异常增长；对于电力负荷数据，需要检测电力负荷的异常波动或异常峰值；对于传感器数据，需要检测传感器数据中的异常读数或异常模式；对于网络流量数据，需要检测网络流量数据中的异常峰值或异常行为；对于温度数据，需要检测温度数据中的异常波动或异常变化。
本发明提供的一种基于通道融合自注意力机制的时序数据异常检测方法，具体包括以下步骤：
步骤1、以设定时间为间隔采集目标数据形成时序数据集，再采用给定大小的滑动窗口滚动截取时序数据集得到多个时序数据序列，将截取到的时序数据序列转换为输入矩阵，以输入矩阵作为训练样本集合，标签为正常和异常。
其中，滑动窗口截取时序数据集的长度可根据实际需求进行设置，例如，滑动窗口设置为24小时或7周等。
输入矩阵包括标量投影、局部时间戳和全局时间戳。其中，标量投影是指时序数据中的需要分析或计算的具体数值，通常用实数或浮点数表示，例如温度、压力、速度等。局部时间戳是指与标量投影相关联的时间戳，用于表示标量投影所对应的具体时间点或时间段，一般采用相对某个基准时间的时间差来表示，单位为秒、毫秒、纳秒等，例如，当标量投影为温度时记录该温度相对基准时间的时间差以该时间差作为温度的局部时间戳。全局时间戳是指时序数据集内标量投影所对应的绝对时间，可用于不同数据的排序和比较。
输入矩阵可表示为：输入矩阵 = [标量投影1, 标量投影2, ..., 标量投影N; 局部时间戳1, 局部时间戳2, ..., 局部时间戳N; 全局时间戳1, 全局时间戳2, ..., 全局时间戳N]，其中，输入矩阵的列为标量投影及与其对应的局部时间戳和全局时间戳。
其中，截取时序数据集得到时序数据序列，从时序数据序列中提取标量投影及标量上下文。标量上下文是指与标量投影相关的数据信息，为标量投影提供了额外的背景信息，以辅助对标量投影的分析和理解，例如与标量投影相邻的其他标量投影等。
具体来说，本发明采用滑动窗口滚动截取时序数据集的方式实现，即在给定大小的滑动窗口内，从时序数据集中截取包括标量投影和标量上下文的序列，可以使标量投影与其周围的数据相关联，以提供更全面的信息。具体过程包括：根据实际需求设定滑动窗口的大小，具体可为设定的时间长度或数据点的数量；设定滑动窗口的起始位置，具体可从时序数据的开头开始，或根据需求选择其他起始位置；从设定的起始位置开始，按照滑动窗口的大小，截取时序数据集中时序数据形成时序数据序列，获取时序数据序列中的标量投影和标量上下文；以起始位置上增加设定的步长作为新的截取起始位置，再按照滑动窗口的大小，截取时序数据集中时序数据形成时序数据序列，获取时序数据序列中的标量投影和标量上下文；累加新的步长，复执行多次直至遍历整个时序数据集。
步骤2、构建时序数据异常检测模型，包括通道分裂模块、基于深度可分离卷积自注意力机制的特征提取模块、通道融合模块及异常检测模块，模型的整体结构如图1所示，通道分裂模块根据输入矩阵中的变量类型将输入矩阵分裂为时序向量及多个单类型向量，时序向量对应时序特性通道，多个单类型向量对应多个单变量通道；每个单变量通道分别与一个基于深度可分离卷积自注意力机制的特征提取模块相连，单变量通道中的单类型向量经特征提取模块处理后得到多个包含局部趋势的特征图；多个特征图作为输入，由通道融合模块进行融合得到统一的最终特征图；最终特征图作为输入，由异常检测模块检测其是否存在异常。
（1）通道分裂模块
通道分裂模块根据输入矩阵中的变量类型和时间信息，将输入矩阵分割为一个时序向量和多个单类型向量，时序向量用于保存输入矩阵中的时间序列，单类型向量用于按时间序列保存相同类型的变量。时序向量及每个单类型向量分别与单数据通道一一对应，单数据通道包括时序特性通道和单变量通道。以n*m维的输入矩阵为例，输入矩阵被分裂为一个时序向量和m个单类型向量，如果输入矩阵中包含温度、湿度和压力三种类型的变量，则可以将其分割为一个时序向量和三个单类型向量，每个单类型向量包含相同类型的变量。
本发明中可将变量类型划分为连续变量、二进制变量和离散变量。其中，对于连续变量和二进制变量将变量直接保存为单类型向量，对于离散变量则将变量转化为独热编码或其他编码后再将编码保存为单类型向量。通过将输入矩阵分割为时序向量和单类型向量，为分别独立提取不同类型变量的特征提供了可能。具体来说，对于连续变量提取均值、方差、最大值、最小值等统计特征，使用时间序列模型如ARIMA、LSTM等来捕捉时序特征；对于离散变量提取频数特征。
例如，对于保存天气信息的输入矩阵，输入矩阵中包含温度、湿度和压力的时序数据，将其分割后形成多个单变量通道的过程包括：
数据准备，确保数据集中每个变量的时序数据都已被记录，例如，可将温度、湿度和压力的数据保存为CSV文件，CSV文件的每一行代表一个时间点、每一列代表一个变量，包括时间戳和对应的数值；
数据加载，使用Python中的数据处理库，如Pandas，加载CSV文件，并将数据转换为DataFrame格式，以便后续操作；
分裂数据，根据变量的类型进行分裂，将温度、湿度和压力等连续变量分别作为单变量通道处理；从DataFrame中提取温度列得到表示温度时间序列的一维数组或列表作为温度单变量通道，提取湿度列得到表示湿度时间序列的一维数组或列表作为湿度单变量通道，提取压力列得到表示压力时间序列的一维数组或列表作为压力单变量通道，提取时间列得到表示时间的一维数组或列表作为时间单变量通道；
数据预处理，根据需要进行数据预处理，如采用Python中的数据处理库，如NumPy、Scikit-learn等，去除缺失值、平滑处理、标准化等；
建模和分析，对每个单变量通道数据进行建模和分析，使用自主注意力计算和深度卷积操作捕捉单变量通道数据的动态特征。
总之，将包含多种变量的数据分裂成多个单变量通道的关键是根据变量的类型进行合适的分割，并对每个单变量通道进行独立的建模和分析。这样可以更好地捕捉每个变量的独立特征，并为后续的综合分析提供基础。
（2）基于深度可分离卷积自注意力机制的特征提取模块
基于深度可分离卷积自注意力机制的特征提取模块，其结构如图2所示，包括串联的自注意力计算层、深度卷积层、自注意力计算层和深度卷积层，单变量通道输入的单类型向量经过两次自注意力计算和深度卷积的迭代操作后得到多个特征图，基于该特征图可捕捉时序数据的局部趋势。
其中，自注意力计算层采用概率稀疏多头自注意力机制实现，深度卷积层采用深度可分离卷积实现。由于多个多头自注意力机制会产生大量参数，这会导致模型训练与测试时的时间成本过高，因此本发明引入深度可分离卷积以减少参数数量起到加速模型计算的效果。
举例来说，对于包含温度、湿度和风速三个变量观测值的多种变量时序数据集，单类型向量经自注意力计算和卷积运算后可得到多个特征图，每个特征图即为一个卷积核的输出，若深度卷积层包含3个卷积核且每个卷积核的窗口大小为3，那么即可得到3个特征图。第一个特征图可能捕捉到温度变量中的局部趋势，比如检测到温度上升或下降的趋势。第二个特征图可能捕捉到湿度变量中的局部趋势，比如检测到湿度的波动或周期性变化。第三个特征图可能捕捉到风速变量中的局部趋势，比如检测到风速的突然增大或减小。
（3）通道融合模块
根据时序向量将由基于深度可分离卷积自注意力机制的特征提取模块得到的多个特征图进行数据对齐，使其在时间上保持一致，再将对齐后的多个特征图融合为一个特征图。本发明基于全动态矩阵进行通道融合。
（4）异常检测模块
从通道融合模块输出的特征图中提取特征，可采用边缘检测、纹理特征提取、颜色直方图等特征提取方法；根据提取到的特征计算特征图的异常度，得到每个特征图的异常度，异常度指示了该区域与正常样本的差异程度；若异常度大于阈值则判定特征图为异常，否则为正常，可根据应用需求和实际情况设定适当的阈值；最后，采用检测结果标记特征图，输出检测结果。
常用的异常度计算方法包括基于统计的方法如均值、标准差、离群点检测等，基于模型的方法如高斯模型、支持向量机等，以及基于距离的方法如马哈拉诺比斯距离、欧氏距离等。
步骤3、采用步骤1构建的训练样本集合训练时序数据异常检测模型，当训练次数达到阈值或其在验证集上的误差连续多轮训练内累计的改善幅度小于阈值时结束训练。
训练过程采用均方误差（MSE）为损失函数，用于度量模型预测结果与真实标签之间的差异，并通过反向传播算法根据损失函数的梯度对模型参数进行更新和优化，以使模型的预测结果与真实标签更加接近。
步骤4、按照步骤1提供的方式将待检测时序数据转换为输入矩阵，将输入矩阵输入步骤3训练得到的时序数据异常检测模型，时序数据异常检测模型的输出即为待检测时序数据是否存在异常。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于通道融合自注意力机制的时序数据异常检测方法，其特征在于，包括以下步骤：
步骤1、采集目标数据形成时序数据集，再采用给定大小的滑动窗口滚动截取时序数据集得到多个时序数据序列，将截取到的时序数据序列转换为输入矩阵，以输入矩阵作为训练样本集合，标签为正常和异常；所述输入矩阵包括标量投影、局部时间戳和全局时间戳；
步骤2、构建时序数据异常检测模型，包括通道分裂模块、基于深度可分离卷积自注意力机制的特征提取模块、通道融合模块及异常检测模块，所述通道分裂模块根据输入矩阵中的变量类型及对应的局部时间戳和全局时间戳将输入矩阵分裂为时序向量及多个单类型向量，时序向量对应时序特性通道，多个单类型向量对应多个单变量通道；每个单变量通道分别与一个基于深度可分离卷积自注意力机制的特征提取模块相连，单变量通道中的单类型向量经特征提取模块处理后得到多个包含局部趋势的特征图；多个特征图由通道融合模块融合得到最终特征图，最终特征图由异常检测模块检测其是否存在异常；
步骤3、采用步骤1构建的训练样本集合训练时序数据异常检测模型，当训练次数达到阈值或其在验证集上的误差连续多轮训练内累计的改善幅度小于阈值时结束训练；
步骤4、按照步骤1提供的方式将待检测时序数据转换为输入矩阵，将输入矩阵输入步骤3训练得到的时序数据异常检测模型，时序数据异常检测模型的输出即为待检测时序数据是否存在异常；
所述步骤1中所述采用给定大小的滑动窗口滚动截取时序数据集得到多个时序数据序列，将截取到的时序数据序列转换为输入矩阵，实现方式为：根据实际需求设定滑动窗口的大小，设定滑动窗口的起始位置，从起始位置开始按照滑动窗口的大小截取时序数据集中时序数据，形成时序数据序列，获取时序数据序列中的标量投影和标量上下文；以起始位置上增加设定的步长作为新的截取起始位置，再按照滑动窗口的大小，截取时序数据集中时序数据形成时序数据序列，获取时序数据序列中的标量投影和标量上下文；累加新的步长，重复执行多次直至遍历整个时序数据集。
2.根据权利要求1所述的时序数据异常检测方法，其特征在于，所述步骤1中所述采集目标数据形成时序数据集的方式为以设定时间为间隔进行采集。
3.根据权利要求1所述的时序数据异常检测方法，其特征在于，所述步骤2中所述基于深度可分离卷积自注意力机制的特征提取模块包括串联的自注意力计算层、深度卷积层、自注意力计算层和深度卷积层。
4.根据权利要求3所述的时序数据异常检测方法，其特征在于，所述自注意力计算层采用概率稀疏多头自注意力机制实现。
5.根据权利要求3或4所述的时序数据异常检测方法，其特征在于，所述深度卷积层采用深度可分离卷积实现。
6.根据权利要求1所述的时序数据异常检测方法，其特征在于，所述通道融合模块为基于全动态矩阵进行通道融合。
7.根据权利要求1所述的时序数据异常检测方法，其特征在于，所述步骤3中采用均方误差作为损失函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311286150.9A CN117034175B (zh) | 2023-10-07 | 2023-10-07 | 一种基于通道融合自注意力机制的时序数据异常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311286150.9A CN117034175B (zh) | 2023-10-07 | 2023-10-07 | 一种基于通道融合自注意力机制的时序数据异常检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117034175A CN117034175A (zh) | 2023-11-10 |
| CN117034175B true CN117034175B (zh) | 2023-12-05 |
Family
ID=88641386
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311286150.9A Active CN117034175B (zh) | 2023-10-07 | 2023-10-07 | 一种基于通道融合自注意力机制的时序数据异常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117034175B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117370919B (zh) * | 2023-12-08 | 2024-03-01 | 吉林省拓达环保设备工程有限公司 | 污水处理设备远程监控系统 |
| CN117473242B (zh) * | 2023-12-28 | 2024-03-19 | 成都四方伟业软件股份有限公司 | 一种时序数据故障检测方法、系统、设备及介质 |
| CN118277941B (zh) * | 2024-06-03 | 2024-09-24 | 南京贝特威信息技术有限公司 | 一种基于自成长机制的民航客票价格异常智能发现方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114065862A (zh) * | 2021-11-18 | 2022-02-18 | 南京航空航天大学 | 一种多维时序数据异常检测方法和系统 |
| WO2022057260A1 (zh) * | 2020-09-15 | 2022-03-24 | 浙江大学 | 一种工业控制系统通信网络异常分类方法 |
| CN114385614A (zh) * | 2022-01-11 | 2022-04-22 | 北京工业大学 | 基于Informer模型的水质预警方法 |
| CN114444584A (zh) * | 2022-01-10 | 2022-05-06 | 中国地质大学（武汉） | Informer模型改进方法及长序列时序的预测方法及系统 |
| CN114943568A (zh) * | 2022-06-22 | 2022-08-26 | 郑州大学 | 基于GGInformer的金融产品交易价格预测模型及其构建方法 |
| CN115344621A (zh) * | 2022-07-06 | 2022-11-15 | 湖北工业大学 | 基于解缠绕网络的多变量时间序列异常检测方法及系统 |
| CN115622047A (zh) * | 2022-11-04 | 2023-01-17 | 中海储能科技(北京)有限公司 | 基于Transformer模型的电力变压器负荷预测方法 |
-
2023
- 2023-10-07 CN CN202311286150.9A patent/CN117034175B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022057260A1 (zh) * | 2020-09-15 | 2022-03-24 | 浙江大学 | 一种工业控制系统通信网络异常分类方法 |
| CN114065862A (zh) * | 2021-11-18 | 2022-02-18 | 南京航空航天大学 | 一种多维时序数据异常检测方法和系统 |
| CN114444584A (zh) * | 2022-01-10 | 2022-05-06 | 中国地质大学（武汉） | Informer模型改进方法及长序列时序的预测方法及系统 |
| CN114385614A (zh) * | 2022-01-11 | 2022-04-22 | 北京工业大学 | 基于Informer模型的水质预警方法 |
| CN114943568A (zh) * | 2022-06-22 | 2022-08-26 | 郑州大学 | 基于GGInformer的金融产品交易价格预测模型及其构建方法 |
| CN115344621A (zh) * | 2022-07-06 | 2022-11-15 | 湖北工业大学 | 基于解缠绕网络的多变量时间序列异常检测方法及系统 |
| CN115622047A (zh) * | 2022-11-04 | 2023-01-17 | 中海储能科技(北京)有限公司 | 基于Transformer模型的电力变压器负荷预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117034175A (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117034175B (zh) | 一种基于通道融合自注意力机制的时序数据异常检测方法 | |
| CN112115306B (zh) | 用于执行高维传感器数据中的异常事件的自动根本原因分析的方法和系统 | |
| CN116307212B (zh) | 一种空气质量预测方法及系统 | |
| CN117155706B (zh) | 网络异常行为检测方法及其系统 | |
| CN114915478A (zh) | 基于多Agent的分布式关联分析的智慧园区工控系统网络攻击场景识别方法 | |
| CN114528755A (zh) | 一种基于注意力机制结合gru的电力设备故障检测模型 | |
| Maggipinto et al. | A deep learning-based approach to anomaly detection with 2-dimensional data in manufacturing | |
| CN116226739A (zh) | 一种基于时空融合的图卷积网络工业过程故障诊断方法 | |
| CN118094427A (zh) | 基于动态图注意力的物联网时序数据异常检测方法及系统 | |
| CN117786374B (zh) | 一种基于图神经网络的多变量时序异常检测方法及系统 | |
| CN117454301B (zh) | 一种用于展示核聚变试验跟踪pv值变化的方法及系统 | |
| CN117829576A (zh) | 一种基于大模型的制造流程智能化管理系统 | |
| CN114020811A (zh) | 数据异常检测方法及其装置、电子设备 | |
| CN111767324B (zh) | 一种智能关联的自适应数据分析方法及装置 | |
| CN117520987A (zh) | 基于矩阵画像和自编码器的混合时序异常检测方法和系统 | |
| Chen et al. | Big data analytic for multivariate fault detection and classification in semiconductor manufacturing | |
| CN116701846A (zh) | 一种基于无监督学习的水电站调度运行数据清洗方法 | |
| CN112596391B (zh) | 一种基于数据驱动的深度神经网络大时滞系统动态建模方法 | |
| Wu et al. | Convolutional neural networks for multi-stage semiconductor processes | |
| CN114168648B (zh) | 基于连续监督的鲁棒深度半监督异常检测方法及系统 | |
| CN117826771B (zh) | 基于ai分析的冷轧机控制系统异常检测方法及系统 | |
| CN117852092B (zh) | 基于区块链的数据安全保护方法及系统 | |
| CN117668719B (zh) | 一种自适应阈值的隧道监测数据异常检测方法 | |
| Ohkawa et al. | Anomaly Detection Through Graph Autoencoder-Based Learning of Screenshot Image Logs | |
| CN118311914B (zh) | 一种智能化车间的生产线数据采集控制方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |