文档摘要:在时序数据分析中,异常检测是最为成熟的应用之一.它在量化交易、网络安全检测、自动驾驶和大型工业设备日常维护等现实领域广泛应用.随着业务组合的复杂性和时序数据量的增加,传统的人工和简单算法方法很难判断异常点.针对上述问题,对现有的检测方法进行了改进,提出了一种基于Transformer和生成式对抗网络(GenerativeAdversarialNetworks,GAN)的时间序列异常检测模型,利用改进后的Transformer对时间序列的空间特征进行提取,并使用基于异常分数的异常检测算法和对抗训练以获得稳定性和准确性.模型采用自监督训练的方式,避免了需要手动标注异常数据的麻烦,同时减少了数据集对于监督模型训练的依赖.通过实验验证,本文提出的基于Transformer的时间序列异常检测模型在准确率上与先进的基于Transformer的模型相当,并且表现优于多元时间序列的大型数据集上的监督训练和传统异常检测方法.因此,该模型在实际应用中具有较好的潜力.
Abstract:Intherealmoftime-seriesdataanalysis,anomalydetectionstandsasoneofthemostmaturedapplications.Itfindsextensiveuseinreal-worldsectorssuchasquantitativetrading,networksecuritydetection,autonomousdriving,androutinemaintenanceoflargeindustrialequipment.Withtheburgeoningcomplexityofbusinesscombinationsandthevolumeoftime-seriesdata,traditionalmanualmethodsandsimplisticalgorithmicapproachesfallshortinidentifyinganomalies.Addressingthis,improvementshavebeenmadetoexistingdetectionmethodologies,culminatinginthepropositionofatime-seriesanomalydetectionmodelgroundedinbothTransformerandGenerativeAdversarialNetwork(GAN)architectures.TherefinedTransformerisadeptatextractingspatialfeaturesfromtimeseries,anditemploysananomalydetectionalgorithmbasedonanomalyscores,inconjunctionwithadversarialtraining,toachievebothstabilityandaccuracy.Themodelistrainedinaself-supervisedmanner,circumventingthetediousnessofmanualanomalylabelingandreducingthedatasetrelianceforsupervisedmodeltraining.EmpiricalvalidationshowcasesthattheproposedTransformer-basedtime-seriesanomalydetectionmodelstandsonparinaccuracywithcurrentstate-of-the-artTransformer-basedmodelsandoutperformssupervisedtrainingonlargemultivariatetime-seriesdatasetsandtraditionalanomalydetectiontechniques.Hence,thismodelharborssignificantpotentialforpracticalapplications.
作者:曾凡锋 吕繁钰Author:ZENGFanfeng LVFanyu
作者单位:北方工业大学信息学院,北京100144
刊名:北方工业大学学报
Journal:JournalofNorthChinaUniversityofTechnology
年,卷(期):2024, 36(1)
分类号:TP391.1
关键词:深度学习 异常检测 Transformer 生成式对抗网络(GAN) 多元时间序列
Keywords:deeplearning anomalydetection Transformer GAN multivariatetimeseries
机标分类号:TP393.08TP18TP274
在线出版日期:2024年7月2日
基金项目:基于Transformer和GAN的多元时间序列异常检测方法[
期刊论文] 北方工业大学学报--2024, 36(1)曾凡锋 吕繁钰在时序数据分析中,异常检测是最为成熟的应用之一.它在量化交易、网络安全检测、自动驾驶和大型工业设备日常维护等现实领域广泛应用.随着业务组合的复杂性和时序数据量的增加,传统的人工和简单算法方法很难判断异常点.针...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
关键词:深度学习,异常检测,Transformer,生成式对抗网络(GAN),多元时间序列,
|
|