基于频率域信息的时间序列异常检测方法——F-SE-LSTM
人工智能
2024-12-04 v1
摘要
随着社会的发展，时间序列异常检测在网络和物联网服务中发挥着重要作用。然而，大多数现有异常检测方法直接在时域分析时间序列，无法区分一些相对隐藏的异常序列。我们尝试从频率域视角分析频率对时间序列的影响，从而提出一种新的时间序列异常检测方法，称为 F-SE-LSTM。该方法利用两个滑动窗口和快速傅里叶变换（FFT）构建频率矩阵。同时，采用 squeeze-and-excitation 网络（SENet）和长短期记忆网络（LSTM）来提取周期内及周期之间的频率相关特征。通过在多个数据集上的比较实验，如 Yahoo Webscope S5 和 Numenta Anomaly Benchmark，结果表明，F-SE-LSTM 构建的频率矩阵在判别能力上优于普通时域和频域数据。此外，F-SE-LSTM 在异常检测能力和执行效率方面均优于现有的基于深度学习的异常检测方法。
引用
@article{arxiv.2412.02474,
title = {F-SE-LSTM: A Time Series Anomaly Detection Method with Frequency Domain Information},
author = {Yi-Xiang Lu and Xiao-Bo Jin and Jian Chen and Dong-Jie Liu and Guang-Gang Geng},
journal= {arXiv preprint arXiv:2412.02474},
year = {2024}
}
备注
14 pages, 7 figures