【源自趙宏鑫動(dòng)態(tài)】
題目:一種自關(guān)注的物聯(lián)網(wǎng)時(shí)間序列時(shí)空異常檢測(cè)方法
作者:馬浩,張翼英等
會(huì)議:ICIC 2025
摘要:隨著物聯(lián)網(wǎng)(IoT)技術(shù)的快速發(fā)展,智能設(shè)備產(chǎn)生的大量時(shí)間序列數(shù)據(jù)在異常檢測(cè)任務(wù)中發(fā)揮著至關(guān)重要的作用。然而,現(xiàn)有方法主要關(guān)注時(shí)間維度上的異常模式,而忽略了變量之間的空間相關(guān)性,限制了對(duì)復(fù)雜異常模式的識(shí)別能力。為此,本文提出了一種基于自注意力機(jī)制的時(shí)空異常檢測(cè)模型(自注意力時(shí)空異常檢測(cè),SATAD),用于同時(shí)學(xué)習(xí)時(shí)間常態(tài)性和空間常態(tài)性。具體而言,SATAD包含三個(gè)關(guān)鍵模塊:時(shí)間異常建模(TAM)、空間異常建模(SAM)和自注意力融合(SAF)。TAM通過(guò)學(xué)習(xí)子序列的排序規(guī)則來(lái)建模時(shí)間依賴性,而SAM通過(guò)建模時(shí)間序列在表示空間中的分布模式來(lái)學(xué)習(xí)空間常態(tài)性。此外,SAF進(jìn)一步優(yōu)化了時(shí)空特征的融合,增強(qiáng)了模型的泛化能力。實(shí)驗(yàn)結(jié)果表明,SATAD在多個(gè)基準(zhǔn)數(shù)據(jù)集上優(yōu)于現(xiàn)有方法,并在AUC-ROC、AUC-PR和F_1分?jǐn)?shù)等指標(biāo)上取得顯著提升,驗(yàn)證了其在異常檢測(cè)任務(wù)中的有效性和魯棒性