基于自注意力增强的多元时间序列分析.pdfVIP

摘要

摘要

时间序列处理是数据科学中的一项重要任务，旨在分析和预测随时间变化的数

值数据。近年来，以自注意力机制为核心的Transformer类模型因其强长距离依赖性

建模能力而在多元时间序列异常检测和多元时间序列预测领域取得了一定的突破。

研究者们利用自注意力机制的优势，使用Transformer来发掘时间序列中存在的可靠

的长期依赖关系、更好地学习时间序列的特征，继而完成下游任务。然而，自注意

力机制所带来的较高的时间复杂度、对短期依赖捕捉不足、没有考虑变量间的关联

等问题并没有很好的解决，此外，自注意力机制在时间序列中的作用机理目前并没

有很好的展示，值得进一步探究。基于此，本文对自注意力机制和其在时间序列处

理中的应用进行深入研究。本文主要工作如下：

1

（）从现有的时间序列异常检测工作中受到启发，对自注意力机制进行了探究，

并基于结论提出基于自注意力增强的多元时间序列异常检测模型。针对于目前基于

关联差异的时间序列异常检测方法会给模型带来大量的参数，并且很难准确捕捉时

间序列的整体关联与季节特性的问题，增加了注意力选择模块和趋势分解模块。注

意选择模块对时间序列