8、基于GAT的重构差异的多变量时间序列异常检测方法

基于GAT的重构差异的多变量时间序列异常检测方法

在多变量时间序列异常检测领域，传统的线性相关表示方法难以准确描述序列间的关系，因此图结构数据被引入。本文提出了一种新的异常检测方法，结合图注意力网络（GAT）和时空连接概念，通过重构相邻时间戳的序列差异来检测异常，并对该方法在受限硬件资源下的执行可能性进行了评估。

1. 方法

1.1 问题定义

要解决的是多变量时间序列数据中的异常检测问题。假设输入是固定长度为 $w$ 的重叠滑动窗口 $X_{t + 1:t + w} = {x_{t + 1}, … , x_{t + w}}$，其中每个 $x_{t + n}$（$n = 1, …, w$）是 $k$ 维向量。目的是根据异常分数 $S(X_{t + 1:t + w})$ 来判断给定输入是否包含异常部分。

1.2 编码器架构

• 主编码器 ：使用 4 层一维转置卷积（TransConv1D），核大小为 7，将标量值 $x_{i,t + n}$ 转换为第 $i$ 个序列的嵌入向量 $f_{i,t + n}$。
• 子编码器 ：使用三个额外的子编码器，分别由 6、3、2 层一维卷积（Conv1D）组成，核大小均为 7，膨胀率分别为 2、2、1。第一个子编码器可捕获长序列信息，第二和第三个子编码器分别捕获中短序列信息。
• VAE 架构 ：生成的嵌入向量经过多层感知机（MLP）计算均值 $\mu$ 和对数方差 $\log \sigma^2$，以适应变分自编码器（VAE）架构。