结合对比学习的双分支多维时间序列异常检测方法.pdfVIP

第４２卷第２期计算机应用研究Ｖｏｌ４２Ｎｏ２

２０２５年２月ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓＦｅｂ．２０２５

结合对比学习的双分支多维时间序列异常检测方法

周丹，凌捷

（广东工业大学计算机学院，广州５１０００６）

摘要：多维时间序列异常检测是维持复杂工业系统有效运行的必要环节，如何准确识别大量设备中的异常模

式是一项重要挑战。现有方案大多对多维时间序列下实体存在的动态依赖关系提取不足并且会受异常数据影

响难以重构出正常的模式。为此，提出一种结合对比学习的双分支多维时间序列异常检测方法。首先，通过图

结构学习和图特征增强得到实体之间的关联图以捕获动态变化的实体相关性，以及使用长短期记忆网络对时间

依赖关系进行提取得到时间编码；接着，插入分块重组并采用图卷积操作提取不同尺度间的时空融合关系；最

后，将融合后的关系特征进行联合对比训练得到正异常差异表示以评估异常。在ＳＷａＴ、ＷＡＤＩ、ＳＷＡＰ和ＭＳＬ四

个公开工业数据集上进行实验，与近年来的方法相比，所提方法取得了较好的Ｆ分数，分别为９１．６３％、

１

９０６０％、９００６％和９３６９％，比ＭＴＧＦＬＯＷ方法平均高出１．５２百分点。实验结果表明，所提方法在提取动态依

赖关系和区分正常与异常模式方面具有显著优势，验证了其在多维时间序列异常检测中的有效性和先进性，并

显示出广泛的应用潜力。

关键词：异常检测；多维时间序列；对比学习；图卷积

中图分类号：ＴＰ３９１文献标志码：Ａ文章编号：１００１３６９５（２０２５）０２０２５０５０７０７

ｄｏｉ：１０．１９７３４／ｊ．ｉｓｓｎ．１００１３６９５．２０２４．０７．０２８６

Ｉｎｔｅｇｒａｔｉｎｇｃｏｎｔｒａｓｔｉｖｅｌｅａｒｎｉｎｇｄｕａｌｂｒａｎｃｈｍｕｌｔｉｖａｒｉａｔｅ

ｔｉｍｅｓｅｒｉｅｓａｎｏｍａｌｙｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄ

ＺｈｏｕＤａｎ，ＬｉｎｇＪｉｅ

（ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，ＧｕａｎｇｄｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｇｕａｎｇｚｈｏｕ５１０００６，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｍｕｌｔｉｖａｒｉａｔｅｔｉｍｅｓｅｒｉｅｓａｎｏｍａｌｙｄｅｔｅｃｔｉｏｎｉｓｅｓｓｅｎｔｉａｌｆｏｒｍａｉｎｔａｉｎｉｎｇｔｈｅｅｆｆｅｃｔｉｖｅｏｐｅｒａｔｉｏｎｏｆｃｏｍｐｌｅｘｉｎｄｕｓｔｒｉａｌ

ｓｙｓｔｅｍｓ．Ａｃｃｕｒａｔｅｌｙｉｄｅｎｔｉｆｙｉｎｇａｎｏｍａｌｏｕｓｐａｔｔｅｒｎｓａｃｒｏｓｓｎｕｍｅｒｏｕｓｄｅｖｉｃｅｓｐｒｅｓｅｎｔｓａｓｉｇｎｉｆｉｃａｎｔｃｈａｌｌｅｎｇｅ．Ｔｏａｄｄｒｅｓｓｔｈｉｓ

ｃｈａｌｌｅｎｇｅ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｄａｄｕａｌｂｒａｎｃｈｍｕｌｔｉｖａｒｉａｔｅｔｉｍｅｓｅｒｉｅｓａｎｏｍａｌｙｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｔｈａｔｉｎｃｏｒｐｏｒａｔｅｄｃｏｎｔｒａｓｔｉｖｅ

ｌｅａｒｎｉｎｇ．Ｆｉｒｓｔｌｙ，ｉｔｕｓｅｄｇｒａｐｈｓｔｒｕｃｔｕｒｅｌｅａｒｎｉｎｇａｎｄｆｅａｔｕｒｅｅｎｈａｎｃｅｍｅｎｔｔｏｃｏｎｓｔｒｕｃｔｒｅｌａｔｉｏｎａｌｇｒａｐｈｓｔｈａｔｃａｐｔｕｒｅｄｄｙｎａｍｉｃ

ｃｏｒｒｅｌａｔｉｏｎｓａｍｏｎｇｅｎｔｉｔｉｅｓ．Ｌｏｎｇｓｈｏｒｔｔｅｒｍｍｅｍｏｒｙ（ＬＳＴＭ）ｎｅｔｗｏｒｋｓｗｅｒｅｔｈｅｎｅｍｐｌｏｙｅｄｔｏｅｘｔｒａｃｔｔｅｍｐｏｒａｌｄｅｐｅｎｄｅｎｃｉｅｓ

ａｎｄｇｅｎｅｒａｔｅｔｅｍｐｏｒａｌｅ