基于Koopman理论的基于门控循环单元的时间序列异常检测模型KoopAGRU
机器学习
2025-02-04 v2
摘要
due to complex and nonlinear temporal dynamics, time-series anomaly detection is a challenging task. 本文引入KoopAGRU，一种新型深度学习模型，通过结合快速傅里叶变换（FFT）、深度动态模式分解（DeepDMD）和Koopman理论来解决这一问题。FFT 使KoopAGRU 能够将时间序列数据分解为时变和时不变分量，提供精确的复杂模式建模。为更好地控制这两个分量，KoopAGRU 利用门控循环单元（GRU）编码器学习Koopman可观测量，提升了跨多个时间尺度的检测能力。KoopAGRU 采用单一过程进行训练，推理速度快。广泛的基准数据集测试表明，KoopAGRU 优于其他领先方法，在众所周知的时序数据集异常检测任务中实现了90.88%的平均F1分数，证明其在检测现实场景中的异常现象方面既高效又可靠。
引用
@article{arxiv.2501.17976,
title = {KoopAGRU: A Koopman-based Anomaly Detection in Time-Series using Gated Recurrent Units},
author = {Issam Ait Yahia and Ismail Berrada},
journal= {arXiv preprint arXiv:2501.17976},
year = {2025}
}