用于异常检测的双 LSTM 自编码器框架——以风功率数据集为例
机器学习
2023-03-20 v1
摘要
异常是指偏离正常和同质事件的数据点或事件，可包括欺诈活动、网络入侵、设备故障、过程变更或其他显著但罕见的事件。及时检测此类事件可避免财务、信息和人力资源方面的潜在损失。随着计算能力的提升和大型数据集的可用，异常检测已成为主要研究领域。其中，由于时间维度带来的额外复杂性，时间序列中的异常检测近期受到更多关注。本研究提出一种使用双向长短期记忆（Bi-LSTM）架构与自编码器结合的时间序列异常检测新框架。Bi-LSTM 网络由两个单向 LSTM 网络组成，可从两个方向分析时间序列数据，从而有效发现序列数据中隐藏的长期依赖。同时，自编码器机制有助于建立最优阈值，超过该阈值可将事件分类为异常。为证明所提框架的有效性，将其应用于从风电场收集的真实多变量时间序列数据集。Bi-LSTM 自编码器模型达到了 96.79% 的分类准确率，优于更常用的 LSTM 自编码器模型。
引用
@article{arxiv.2303.09703,
title = {A Bi-LSTM Autoencoder Framework for Anomaly Detection -- A Case Study of a Wind Power Dataset},
author = {Ahmed Shoyeb Raihan and Imtiaz Ahmed},
journal= {arXiv preprint arXiv:2303.09703},
year = {2023}
}