双特征层次嵌入的多维时序异常检测方法

开展多维时序特征下的工业实体设备实时运行状态在线异常检测,对维护复杂工业系统稳定运行、推动国家经济发展提质增效具有重要意义。针对现有异常检测方法对时序数据高度非线性的时间依赖关系及其模式多样的维度耦合关系分析不足的问题,综合考虑监控数据分布未知导致训练数据中可能掺杂噪声或异常数据的情况,提出双特征层次嵌入的多维时序异常检测方法。通过循环神经网络对时序特征数据进行处理,引入流模型仿射机制拓展数据分布并得到时间嵌入变量,捕捉长时间序列的全局及局部特征;与此同时,利用变分自编码器将多维输入映射到潜空间,共享时间嵌入的流模型参数,基于门控循环单元对维度间的耦合关系进一步关联分析,充分挖掘多维时序数据的时间依赖性和维度相关性,提高异常检测准确率。在5个权威公开的多维时序数据集上开展实验,与12种典型时序异常检测方法进行对比,所提算法在多种评价指标上的平均排名均位列第一,验证了所提方法的先进性和有效性。