一种用于多元时间序列异常检测的无监督短长期掩码表示
机器学习
2022-08-24 v1 人工智能
摘要
多元时间序列的异常检测对于系统行为监控具有重要意义。本文提出一种基于无监督短长期掩码表示学习(SLMR)的异常检测方法。其主要思想是利用多尺度残差扩张卷积和门控循环单元(GRU)分别提取多元时间序列的短期局部依赖模式和长期全局趋势模式。此外,我们的方法通过结合时空掩码自监督表示学习和序列分割,能够理解时间上下文与特征相关性。它考虑到不同特征的重要性不同,引入注意力机制来调整各特征的贡献。最后,集成基于预测的模型和基于重构的模型,分别关注单时间戳预测与时间序列的潜在表示。实验表明,我们的方法在三个真实世界数据集上的性能优于其他最先进的模型。进一步分析表明,我们的方法具有良好的可解释性。
引用
@article{arxiv.2208.09240,
title = {An Unsupervised Short- and Long-Term Mask Representation for Multivariate Time Series Anomaly Detection},
author = {Qiucheng Miao and Chuanfu Xu and Jun Zhan and Dong Zhu and Chengkun Wu},
journal= {arXiv preprint arXiv:2208.09240},
year = {2022}
}