计算机科学与探索

作者：杨超城, 严宣辉, 陈容均, 李汉章

单位：1. 福建师范大学 计算机与网络空间安全学院，福州 3501172. 福建师范大学 福建省环境监测物联网实验室，福州 350117

关键词：时间序列,异常检测,深度学习,注意力,自编码器

时间序列异常检测作为时间序列研究的重要组成部分，已经引起学术界和工业界的广泛关注和研究。针对时间序列数据中蕴含的深层局部特征和复杂的前后依赖关系，提出一种融合双重注意力机制的异常检测模型。该模型采用自编码器结构，由挤压激励注意力模块（SEAB）和概率稀疏自注意力模块（PSAB）组成编码器。SEAB通过利用动态加权窗口划分，为具有强可辨识性的子序列片段赋予更大的权重，使模型能够更加有效地挖掘出具有重要信息的局部特征。PSAB则采用稀疏自注意力机制，保留具有较高权重的点积，去除冗余的时序特征，降低了时间复杂度，从而捕获时间序列的长期依赖关系。实验结果表明，该模型在9个对比模型中取得了最高的[F1]分数0.97，并在14个测试数据集中有8个[F1]分数超过其他所有对比模型，因此可有效地识别时间序列数据中的异常情况，并具备先进的异常检测性能。

来源：2024年第3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2024年第3期