计算机科学与探索

作者：杨彬, 马廷淮, 黄学坚, 王宇博, 王朝明, 赵博文, 于信

单位：1. 南京信息工程大学 软件学院，南京 2100442. 江苏海洋大学 计算机工程学院，江苏 连云港 222005

关键词：深度学习,神经网络,异常检测,时间序列预测

基金：国家自然科学基金（62372243，62102187）。

异常检测是时间序列分析的关键组成部分，旨在识别时间序列中的异常事件。针对传统方法在融合时空相关性、捕捉序列常态分布以及时变特性方面的局限性，提出了一种基于时空特征融合与序列重构的时间序列异常检测模型（AnomNet）。该模型包含时空特征融合网络（STF）、时间序列重构网络和异常检测机制（ADM）三个主要部分。时空特征融合网络结合时域卷积网络和图注意力影响网络，分别捕捉时域长期依赖和全局属性关联，实现时空特征的联合建模；时间序列重构网络采用多层编码器-解码器架构，利用时空融合特征和周期信息，学习样本的正常分布，从而放大重构数据与潜在异常之间的差异；异常检测机制通过拟合重构偏差的尾部分布来进行异常检测，一旦异常分数超过预设阈值，该机制将触发对广义帕累托分布参数的更新，为后续检测提供最新标准。在五种公开数据集上的实验结果验证了AnomNet在时间序列异常检测领域达到先进水平。与OmniAnomaly相比，所提模型的平均性能提升了11.89%。

来源：2025年第9期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第9期