一种用于多维时间序列数据修复的贝叶斯张量分解算法

完整的多维时间序列数据集在深度分析研究中非常重要,而现实数据采集中会由于各种因素导致缺失,因此高精度稳定的数据修复意义重大。针对当前数据修复中无法实现大规模多维时间序列建模的问题,提出了一种基于贝叶斯推断的结构向量自回归张量分解数据修复算法,应用张量分解来建模多维时间序列,采用结构向量自回归过程来建模时间因子矩阵。该算法将结构向量自回归和张量因子分解集成到单个模型中,有效地实现大规模及多维时间序列建模,进而结合贝叶斯推断及吉布斯采样的方法完成数据修复。结果表明,该模型较于其他算法在处理多维张量数据时均方根误差更小,提升了数据修复性能,且对于不同缺失模式的多维数据均具有良好的稳定性。

无监督多维时间序列数据异常检测方法研究

多维时间序列数据异常检测在数据挖掘领域和工业应用中都具有重要意义。针对多维时间序列数据具有复杂的变量间相关性和时间相关性,提出了一种基于多尺度时间门控卷积和图注意力网络的无监督异常检测模型。该模型首先利用多尺度时间门控卷积模块捕获不同时间尺度的时间相关性,增强了模型对不同时间尺度特征的适应性。然后使用两个图注意力网络分别获取多个变量之间的空间相关性和时间序列间的时间依赖性。最后通过重构数据与原始数据之间的重构误差进行异常检测。本文提出的方法与多种异常检测方法进行比较。实验结果表明,本文提出的模型在测试数据集获得了最高的F1分数和召回率分别为0.85和80.24%,表明本文提出的模型有效地提高异常检测性能。