GraphAD：一种用于实体级多元时间序列异常检测的图神经网络
机器学习
2022-05-24 v1 信息检索
摘要
近年来，第三方平台的出现与发展极大地促进了线上到线下（O2O）业务的增长。然而，海量的交易数据给零售商带来了新的挑战，尤其是运营状况中的异常检测。因此，平台开始开发嵌入异常检测方法的智能商业助手，以减轻零售商的管理负担。传统的时间序列异常检测方法从时间和属性角度捕捉潜在模式，忽略了该场景下零售商之间的差异。此外，平台提取的相似交易模式也可为个体零售商提供指导，并在无隐私问题的情况下丰富其可用信息。本文提出一个考虑每个唯一实体时间序列的实体级多元时间序列异常检测问题。为应对该挑战，我们提出 GraphAD，一种基于图神经网络的新型多元时间序列异常检测模型。GraphAD 将关键绩效指标（KPI）分解为稳定分量和波动分量，并通过图神经网络从属性、实体和时间角度提取其模式。我们还基于饿了么的业务数据构建了一个真实的实体级多元时间序列数据集。在该数据集上的实验结果表明，GraphAD 显著优于现有异常检测方法。
引用
@article{arxiv.2205.11139,
title = {GraphAD: A Graph Neural Network for Entity-Wise Multivariate Time-Series Anomaly Detection},
author = {Xu Chen and Qiu Qiu and Changshan Li and Kunqing Xie},
journal= {arXiv preprint arXiv:2205.11139},
year = {2022}
}
备注
SIGIR'22 Short Paper