用于预测图结构时间序列中稀疏异常的图增强型LSTM
机器学习
2025-03-06 v1
摘要
检测时间序列数据中的异常值是许多领域中的关键任务。当异常值稀疏且数据是多变量的且在传感器或节点之间存在关系依赖时，这一挑战会加剧。传统的单变量异常检测器难以捕获此类跨节点依赖，尤其是在稀疏异常设置下。为解决这一问题，我们提出了一种图增强型时间序列预测方法，该方法显式地将时间序列之间的关系图整合到LSTM预测模型中。这使模型能够检测纯粹的单变量方法可能忽略的罕见异常。我们在两个基准数据集上评估该方法——雅各布斯Webscope S5异常数据集和METR-LA交通传感器网络，并将图增强型LSTM与LSTM-only、ARIMA和Prophet基线方法进行比较。结果表明，图增强模型在精度和召回率上显著高于基线方法，F1分数提升了最高可达10%。
引用
@article{arxiv.2503.03729,
title = {Graph-Augmented LSTM for Forecasting Sparse Anomalies in Graph-Structured Time Series},
author = {Sneh Pillai},
journal= {arXiv preprint arXiv:2503.03729},
year = {2025}
}
备注
12 pages