基于重构消除的双流对比式预测用于多变量时间序列异常预测
机器学习
2026-01-13 v2
摘要
多变量时间序列中的异常预测（AP）对于确保系统可靠性至关重要。现有方法要么仅关注异常是否即将发生，而未能提供精确的未来异常预测，要么直接在历史数据上进行预测，这类预测容易被正常模式所淹没。为解决上述挑战，我们提出了RED-F框架，包含重构消除模型（REM）和双流对比式预测模型（DFM）。我们利用REM从历史数据中构建正常模式的基线，为后续的异常预测提供基础。随后，DFM同时预测所构建的正常模式和当前窗口，通过计算这两种预测之间的发散度，实现对比式预测，将困难的AP任务转化为更简单、更稳健的相对轨迹比较任务。为使预测模型生成不易被正常模式掩盖的预测，我们提出了多序列预测（MSP）训练目标，以增强其对当前窗口的敏感性。大量实验表明，RED-F在异常预测任务中表现出卓越的能力。我们的代码已公开于 http://github.com/PenyChen/RED-F。
引用
@article{arxiv.2511.20044,
title = {RED-F: Reconstruction-Elimination based Dual-stream Contrastive Forecasting for Multivariate Time Series Anomaly Prediction},
author = {PengYu Chen and Xiaohou Shi and Yuan Chang and Yan Sun and Sajal K. Das},
journal= {arXiv preprint arXiv:2511.20044},
year = {2026}
}
备注
13 pages