基于Transformer GAN架构的多变量时间序列异常检测

• 全文链接
• 请求原文

作   者：

蔡美玲;  汪家喜;  刘金平;  唐朝晖;  谢永芳; 

关键词：

Transformer;  图注意力;  异常分数;  多变量时间序列;  异常检测; 

期刊名称：

中国科学(信息科学)

i s s n：

1674-7267

年卷期：

2023 年 53 卷 005 期

页   码：

972-992

摘   要：

基于过程中实时采集的多变量时序关联数据进行异常检测是预防工业过程事故、保障系统安全的关键环节之一.然而,工业多变量时间序列异常检测仍面临如下两大难题:(1)时序数据变量间复杂的非线性关联特性缺乏有效的表达方法;(2)正常/异常分布极度不均衡的时间序列间复杂的相关性有待深入挖掘.本文提出一种新的基于多变量时间序列的无监督异常检测方法——基于Transformer GAN的多变量时间序列异常检测方法(TGAN-MTSAD).TGAN-MTSAD采用Transformer网络作为生成对抗网络的基本模型,引入了图注意力层以自动学习时序多元变量间的复杂依赖关系,还应用了patch技巧使模型能够有效捕捉时间窗口内的异常细节信息,并提出了基于重构误差与鉴别误差相结合的异常分数计算方法.采用3个真实世界的数据集对所提方法进行了大量的性能验证与对比实验分析.结果表明,TGAN-MTSAD可以有效检测过程中的时序异常,在大多数情况下优于基线方法,并且具有良好的可解释性,可用于复杂工业异常诊断.