基于注意机制LSTM-CNN的准周期时间序列异常检测框架.pdfVIP

第４１卷第９期计算机应用与软件Ｖｏｌ４１Ｎｏ．９

２０２４年９月ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅＳｅｐ．２０２４

基于注意机制ＬＳＴＭＣＮＮ的准周期时间序列异常检测框架

周孔均常涛刘维吕小红

（国网重庆市电力公司重庆４０００１４）

摘要为提升时间序列异常检测方法的通用性与精度，提出一种基于注意机制ＬＳＴＭＣＮＮ的准周期时间序

列异常检测框架。该文通过ＱＴＳ分割算法将准周期时间序列分割成多个连续的高质量准周期子序列，提升抗噪

声能力；基于ＬＳＴＭＣＮＮ模型同时捕捉准周期的总体变化趋势和局部特征，精确地模拟准周期的波动模式。在４

个公共数据集上的实验结果表明，提出的方法能够有效提升序列行为异常检测的效果。

关键词准周期时间序列异常检测注意机制长短期记忆网络

中图分类号ＴＰ１８３文献标志码ＡＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００３８６ｘ．２０２４．０９．０４５

ＡＵＴＯＭＡＴＩＣＱＴＳＡＮＯＭＡＬＹＤＥＴＥＣＴＩＯＮＦＲＡＭＥＷＯＲＫ

ＢＡＳＥＤＯＮＡＴＴＥＮＴＩＯＮＭＥＣＨＡＮＩＳＭＬＳＴＭＣＮＮ

ＺｈｏｕＫｏｎｇｊｕｎＣｈａｎｇＴａｏＬｉｕＷｅｉＬüＸｉａｏｈｏｎｇ

（ＳｔａｔｅＧｒｉｄＣｈｏｎｇｑｉｎｇＥｌｅｃｔｒｉｃＰｏｗｅｒＣｏｍｐａｎｙ，Ｃｈｏｎｇｑｉｎｇ４０００１４，Ｃｈｉｎａ）

ＡｂｓｔｒａｃｔＩｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｇｅｎｅｒａｌｉｔｙａｎｄａｃｃｕｒａｃｙｏｆｔｈｅｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄ，ａｎａｕｔｏｍａｔｉｃｑｕａｓｉｐｅｒｉｏｄｉｃｔｉｍｅ

ｓｅｒｉｅｓａｎｏｍａｌｙｄｅｔｅｃｔｉｏｎｆｒａｍｅｗｏｒｋｂａｓｅｄｏｎａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍＬＳＴＭＣＮＮｉｓｐｒｏｐｏｓｅｄ．ＴｈｅｐｕｒｐｏｓｅｏｆｔｈｅＱＴＳ

ｓｅｇｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍｗａｓｔｏａｕｔｏｍａｔｉｃａｌｌｙａｎｄａｃｃｕｒａｔｅｌｙｓｅｇｍｅｎｔＱＴＳｉｎｔｏｃｏｎｔｉｎｕｏｕｓｈｉｇｈｑｕａｌｉｔｙｑｕａｓｉｐｅｒｉｏｄｓａｎｄ

ｉｍｐｒｏｖｅｔｈｅａｂｉｌｉｔｙｏｆａｎｔｉｎｏｉｓｅ．ＴｈｅｐｕｒｐｏｓｅｏｆｔｈｅＬＳＴＭＣＮＮｍｏｄｅｌｗａｓｔｏａｃｃｕｒａｔｅｌｙｓｉｍｕｌａｔｅｔｈｅｑｕａｓｉｐｅｒｉｏｄｉｃ

ｆｌｕｃｔｕａｔｉｏｎｐａｔｔｅｒｎｂｙｕｓｉｎｇｔｈｅｏｖｅｒａｌｌｔｒｅｎｄａｎｄｌｏｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｑｕａｓｉｐｅｒｉｏｄｉｃａｔｔｈｅｓａｍｅｔｉｍｅ．

Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｏｎｆｏｕｒｃｏｍｍｏｎｄａｔａｓｅｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｃａｎｅｆｆｅｃｔｉｖｅｌｙｉｍｐｒｏｖｅｔｈｅｄｅｔｅｃｔｉｏｎ

ｖｅｒｓａｔｉｌｉｔｙａｎｄａｃｃｕｒａｃｙ．

ＫｅｙｗｏｒｄｓＱｕａｓｉｐｅｒｉｏｄｉｃｔｉｍｅｓｅｒｉｅｓＡｎｏｍａｌｙｄｅｔｅｃｔｉｏｎＡｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍＬｏｎｇａｎｄｓｈｏｒｔｔｅｒｍｍｅｍｏｒｙｎｅｔｗｏｒｋ

正常或异常的类别。现有的ＱＴＳ分割算法可以分为

０引言两类：第一类利用滑动窗口技术将ＱＴＳ划分为一组等

长子序列。尽管这种方法不需要太多的时间和空间开

准周期时间序列（Ｑｕａｓｉｐｅｒｉｏｄｉｃｔｉｍｅｓｅｒｉｅｓ，ＱＴＳ）销，但是完全破坏了ＱＴＳ的准周期性，从而使得到的

［２］

是由重复的相似涨落模式构成，ＱＴＳ广泛存在于现实子序列不对齐，特别是当准周期长度变化较大时。

生活中，如心电图信号、步行时脚对