面向含缺失值的多元时间序列异常检测的图时空过程

多元时间序列数据中的异常检测对于智能电网、交通流预测和工业过程控制等多种实际应用至关重要。然而，现实世界的时间序列数据通常结构不佳，给现有方法带来了重大挑战：（1）多元时间序列数据在变量和时间维度上存在缺失值，阻碍了对交织的时空依赖关系的有效建模，导致模型训练过程中忽略重要模式；（2）针对不规则采样观测的异常评分研究较少，使得现有检测器难以用于没有完全观测值的多元序列。本文提出了一种名为 GST-Pro 的新框架，该框架利用图时空过程和异常评分器来解决在不规则采样多元时间序列上检测异常的上述挑战。我们的方法包含两个主要组成部分。首先，我们提出了一种基于神经受控微分方程的图时空过程。该过程即使在数据包含缺失值的情况下，也能从空间和时间两个角度有效建模多元时间序列。其次，我们提出了一种新颖的基于分布的异常评分机制，减轻了对完整均匀观测的依赖。通过分析图时空过程的预测，我们的方法能够轻松检测出异常。实验结果表明，无论数据中是否存在缺失值，GST-Pro 方法都能有效检测时间序列数据中的异常，并且性能优于最先进的方法。我们的代码已开源：https://github.com/huankoh/GST-Pro。