基于解缠绕网络的多变量时间序列异常检测方法及系统与流程

1.本发明涉及异常检测技术领域，特别是涉及一种基于解缠绕网络的多变量 时间序列异常检测方法及系统。


背景技术：

2.随着物联网时代的到来，越来越多的传感器被布置在周边的生活环境中， 传感器的监测结果是时间序列数据。例如水处理厂中由负责测量水位、流速和 水质等不同传感器收集的数据，以及应用服务器的一组监测指标都是标准的时 间序列数据。在实际应用中，能够使用这些时序数据来高效准确的识别异常值 是非常重要的，这有助于对传感器系统进行持续监控，并及时对潜在事件做出 示警。
3.多变量时间序列是由来自同一实体的多个单变量时间序列组成，每一个单 变量时间序列代表了系统中的一个传感器的测量值。传统的检测方法是领域专 家根据单变量指标的特性，建立相应的阈值，从而达到异常检测的目的。然而， 随着系统规模和数据复杂性的急剧增加，这种工作量大且不可扩展的方式已经 退出了人们的视线。为了克服传统方法存在的问题，近些年来提出了许多异常 检测算法，在单变量上进行异常检测。然而，在实际的复杂系统中，往往一个 指标的变化会引起其他指标的波动，它们之间都是相互交互的。因此，单个指 标并不能代表系统的整体状态，以至于这些单变量检测算法在多变量时间序列 异常检测任务上表现不佳。
4.随着深度学习的快速发展，基于深度学习的技术使得多变量时间序列异常 检测得到了改进。
5.图神经网络在图形数据建模方面取得了成功，现实中许多的问题都可以抽 象为图结构的非欧氏结构数据。多变量时间序列也可以在图上表示，将其中的 每个传感器看作是图中的节点，通过隐藏的依赖关系相互关联。图神经网络能 够更好地学习传感器之间依赖模式。
6.现有的基于多变量时间序列的异常检测工作存在如下问题：
7.1)通常情况下，多变量时间序列没有明确的图形结构，传感器之间的相 关性随时间动态的变化，而造成这种变化的原因是高度复杂的。现有技术通过 对多变量时间序列中的每个单变量节点进行可学习的嵌入表示，试图建模传感 器之间相关性随时间的动态转换模式。尽管这些模型的性能有所提高，但远不 能令人满意，因为其传感器之间的依赖关系在训练后仍是固定的，它们只考虑 了图结构的局部传感器相关性，而忽略了相互分离的传感器之间也可能具有隐 藏的联系。同时它们将时序数据中的正常模式与异常模式进行统一的学习训 练，不能很好地进行区分。
8.2)在现有的方法中，长期时间依赖通常被忽略。现有技术利用长短期记 忆网络确定多变量时间序列中时间依赖性，取得了一定的效果，但是长短期记 忆网络不能将长序列充分编码到中间向量中，长期依赖关系往往会被丢弃在编 码器中，也会丢弃与其结构不匹配的时间相关性。同时，这些模型因序列式传 播的特点导致了耗时的计算过程以及在长序
列上的可扩展性十分有限。


技术实现要素：

9.有鉴于此，本发明提供了一种基于解缠绕网络的多变量时间序列异常检测 方法及系统，解决现有的异常检测方法因忽略了图结构中彼此分离的传感器之 间极有可能存在的隐藏联系以及长期时间依赖，且不能很好地区分时间序列中 的正常模式与异常模式，而导致检测精度不高和误报率高等问题。
10.为实现上述目的，本发明提供了如下方案：
11.一种基于解缠绕网络的多变量时间序列异常检测方法，包括：
12.获取初始多变量时间序列数据，并对所述多变量时间序列数据进行规范化 处理，得到预处理多变量时间序列数据；
13.基于解缠绕全局网络得到所述预处理多变量时间序列数据的全局依赖关 系；
14.基于局部注意力网络得到所述预处理多变量时间序列数据的局部动态依 赖关系；
15.基于所述全局依赖关系和所述局部动态依赖关系得到融合依赖关系；
16.基于时间网络得到所述预处理多变量时间序列数据的时间依赖关系；
17.基于所述预处理多变量时间序列数据的融合依赖关系、时间依赖关系和顺 序关系得到融合关系；
18.基于所述融合关系得到预测多变量时间序列数据；基于所述预测多变量时 间序列数据和所述预处理多变量时间序列数据得到是否异常。
19.优选地，所述初始多变量时间序列数据由同一实体的多个初始单变量时间 序列数据组成，每个所述初始单变量时间序列数据对应一个传感器的监测值； 所述预处理多变量时间序列数据包括多个预处理单变量时间序列数据。
20.优选地，所述基于解缠绕全局网络得到所述预处理多变量时间序列数据的 全局依赖关系，包括：
21.基于每个传感器的嵌入向量得到每个传感器之间的相似度；
22.基于每个传感器之间的相似度得到解缠绕邻接矩阵；
23.基于所述解缠绕邻接矩阵和所预处理多变量时间序列数据得到所述全局 依赖关系。
24.优选地，所述基于局部注意力网络得到所述预处理多变量时间序列数据的 局部动态依赖关系，包括：
25.对每个传感器的位置信息进行嵌入表示，得到初始传感器位置嵌入矩阵；
26.将所述初始传感器位置嵌入矩阵沿空间轴平铺，得到传感器位置嵌入矩 阵；
27.基于所述传感器位置嵌入矩阵和所述预处理多变量时间序列数据，得到嵌 入特征矩阵；
28.将所述嵌入特征矩阵投影到三个高维子空间中，得到三个嵌入特征分量；
29.基于三个所述嵌入特征分量得到初始局部动态依赖关系；
30.基于所述初始局部动态依赖关系，采用前馈神经网络，得到所述局部动态 依赖关系。
31.优选地，所述基于时间网络得到所述预处理多变量时间序列数据的时间依 赖关系，包括：
32.对每个传感器的时间位置信息进行嵌入表示，得到初始传感器时间位置嵌 入矩阵；
33.将所述初始传感器时间位置嵌入矩阵沿空间轴平铺，得到传感器时间位置 嵌入矩阵；
34.基于所述传感器时间位置嵌入矩阵和所述预处理多变量时间序列数据，得 到时间嵌入特征矩阵；
35.将所述时间嵌入特征矩阵投影到三个高维子空间中，得到三个时间嵌入特 征分量；
36.基于三个所述嵌入特征分量，采用缩放点积函数，得到初始局部动态依赖 关系；
37.基于所述初始局部动态依赖关系，采用前馈神经网络，得到所述时间依赖 关系。
38.本发明还提供了一种基于解缠绕网络的多变量时间序列异常检测系统，包 括：
39.数据处理模块，用于获取初始多变量时间序列数据，并对所述多变量时间 序列数据进行规范化处理，得到预处理多变量时间序列数据；
40.全局模块，用于基于解缠绕全局网络得到所述预处理多变量时间序列数据 的全局依赖关系；
41.局部模块，用于基于局部注意力网络得到所述预处理多变量时间序列数据 的局部动态依赖关系；
42.第一融合模块，用于基于所述全局依赖关系和所述局部动态依赖关系得到 融合依赖关系；
43.时间模块，用于基于时间网络得到所述预处理多变量时间序列数据的时间 依赖关系；
44.第二融合模块，用于基于所述预处理多变量时间序列数据的融合依赖关 系、时间依赖关系和顺序关系得到融合关系；
45.预测判断模块，用于基于所述融合关系得到预测多变量时间序列数据；基 于所述预测多变量时间序列数据和所述预处理多变量时间序列数据得到是否 异常。
46.优选地，所述初始多变量时间序列数据由同一实体的多个初始单变量时间 序列数据组成，每个所述初始单变量时间序列数据对应一个传感器的监测值； 所述预处理多变量时间序列数据包括多个预处理单变量时间序列数据。
47.优选地，所述全局模块包括：
48.相似度单元，用于基于每个传感器的嵌入向量得到每个传感器之间的相似 度；
49.矩阵单元，用于基于每个传感器之间的相似度得到解缠绕邻接矩阵；
50.全局单元，用于基于所述解缠绕邻接矩阵和所预处理多变量时间序列数据 得到所述全局依赖关系。
51.优选地，所述局部模块包括：
52.第一嵌入单元，用于对每个传感器的位置信息进行嵌入表示，得到初始传 感器位置嵌入矩阵；
53.第一平铺单元，用于将所述初始传感器位置嵌入矩阵沿空间轴平铺，得到 传感器
位置嵌入矩阵；
54.第一特征矩阵单元，用于基于所述传感器位置嵌入矩阵和所述预处理多变 量时间序列数据，得到嵌入特征矩阵；
55.第一投影单元，用于将所述嵌入特征矩阵投影到三个高维子空间中，得到 三个嵌入特征分量；
56.第一初始单元，用于基于三个所述嵌入特征分量得到初始局部动态依赖关 系；
57.局部单元，用于基于所述初始局部动态依赖关系，采用前馈神经网络，得 到所述局部动态依赖关系。
58.优选地，所述时间模块包括：
59.第二嵌入单元，用于对每个传感器的时间位置信息进行嵌入表示，得到初 始传感器时间位置嵌入矩阵；
60.第二平铺单元，用于将所述初始传感器时间位置嵌入矩阵沿空间轴平铺， 得到传感器时间位置嵌入矩阵；
61.第二特征矩阵单元，用于基于所述传感器时间位置嵌入矩阵和所述预处理 多变量时间序列数据，得到时间嵌入特征矩阵；
62.第二投影单元，用于将所述时间嵌入特征矩阵投影到三个高维子空间中， 得到三个时间嵌入特征分量；
63.第二初始单元，用于基于三个所述嵌入特征分量，采用缩放点积函数，得 到初始局部动态依赖关系；
64.时间单元，用于基于所述初始局部动态依赖关系，采用前馈神经网络，得 到所述时间依赖关系。
65.根据本发明提供的具体实施例，本发明公开了以下技术效果：
66.本发明涉及异常检测技术领域，特别是涉及一种基于解缠绕网络的多变量 时间序列异常检测方法及系统，方法包括：获取初始多变量时间序列数据，并 对多变量时间序列数据进行规范化处理，得到预处理多变量时间序列数据；获 取预处理多变量时间序列数据的全局依赖关系、局部动态依赖关系和时间依赖 关系，进一步得到融合关系；基于融合关系得到预测多变量时间序列数据；基 于预测多变量时间序列数据和预处理多变量时间序列数据得到是否异常。本发 明能够很好地检测出多变量时间序列中的异常波动，大幅度提高了针对多变量 时间序列的异常检测能力。
附图说明
67.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是 本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性 的前提下，还可以根据这些附图获得其他的附图。
68.图1为本发明基于解缠绕网络的多变量时间序列异常检测方法流程图；
69.图2为本发明预处理多变量时间序列数据示意图；
70.图3为本发明基于解缠绕网络的多变量时间序列异常检测体统结构图。
71.符号说明：1-数据处理模块，2-全局模块，3-局部模块，4-第一融合模块， 5-时间
模块，6-第二融合模块，7-预测判断模块。
具体实施方式
72.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清 楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造 性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
73.本发明的目的是提供一种基于解缠绕网络的多变量时间序列异常检测方 法及系统，解决现有的异常检测方法因忽略了图结构中彼此分离的传感器之间 极有可能存在的隐藏联系以及长期时间依赖，且不能很好地区分时间序列中的 正常模式与异常模式，而导致检测精度不高和误报率高等问题。
74.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和 具体实施方式对本发明作进一步详细的说明。
75.图1为本发明基于解缠绕网络的多变量时间序列异常检测方法流程图。如 图1所示，本发明提供了一种基于解缠绕网络的多变量时间序列异常检测方 法，包括：
76.步骤s1，获取初始多变量时间序列数据，并对所述多变量时间序列数据 进行规范化处理，得到预处理多变量时间序列数据。
77.所述初始多变量时间序列数据由同一实体的多个初始单变量时间序列数 据组成，每个所述初始单变量时间序列数据对应一个传感器的监测值；所述预 处理多变量时间序列数据包括多个预处理单变量时间序列数据。所述预处理多 变量时间序列数据如图2所示，图2中，示意了一组由15个传感器的监测值 构成的预处理单变量时间序列数据，其中时间序列长度为20000，图中，sensor 为传感器，sensor1代表第1个传感器对应的预处理单变量时间序列数据，其 他类似，不一一做解释。
78.其中，所述规范化处理为最小-最大规范化处理，考虑到不同传感器的量 级可能不一致，数值间的差别存在较大差异，因此进行规范化处理，提高检测 的稳健性，规范化处理计算公式如下：
[0079][0080]
式中：xi为第i个初始单变量时间序列数据，为xi规范化处理后的值， min(xi)为第第i个初始单变量时间序列数据中的最小值，max(xi)为第第i个初 始单变量时间序列数据中的最大值。
[0081]
步骤s2，基于解缠绕全局网络得到所述预处理多变量时间序列数据的全 局依赖关系。具体地，所述步骤s2包括：
[0082]
步骤s21，基于每个传感器的嵌入向量得到每个传感器之间的相似度。计 算公式如下：
[0083][0084]
式中：e
j,i
表示第i个传感器与第j个传感器的相似度，m为传感器的数量， vi表示
第i个传感器的嵌入向量，vi为vi的转置矩阵，vj表示第j个传感器的 嵌入向量。
[0085]
步骤s22，基于每个传感器之间的相似度得到解缠绕邻接矩阵。
[0086]
由于预处理多变量时间序列数据没有明确的有关图形结构的先验信息，根 据相似尺度k定义解缠绕邻接矩阵
[0087][0088]
式中：π[k]表示相似尺度集，是一个递增的集合，取值范围为0-1；当传感 器之间的相似度e
i,j
在π[k]与∏[k 1]之间，就会形成依赖关系，通过调整相似 尺度的方式，传感器可以与不同的传感器产生联系。
[0089]
步骤s23，基于所述解缠绕邻接矩阵和所预处理多变量时间序列数据得到 所述全局依赖关系。
[0090]
现有的图卷积网络方法中，利用邻接矩阵的k阶多项式对多尺度结构信息 进行特征聚合，其逐层更新规则如下：
[0091][0092]
将上述公式中的替换为解缠绕邻接矩阵得到解缠绕全局网络的逐 层更新规则，继而得到所述全局依赖关系，计算公式如下：
[0093][0094]
式中：k表示要聚合的尺度的数量，是的标准化形式， 为邻接矩阵增加了自循环，为的度矩阵，表示输入数据，即 预处理多变量时间序列数据，w表示层级可学习的权重矩阵，l是层的索引， σ(
·
)为激活函数。
[0095]
步骤s3，基于局部注意力网络得到所述预处理多变量时间序列数据的局 部动态依赖关系。
[0096]
进一步地，所述步骤s3包括：
[0097]
步骤s31，对每个传感器的位置信息进行嵌入表示，得到初始传感器位置 嵌入矩阵。
[0098]
步骤s32，将所述初始传感器位置嵌入矩阵沿空间轴平铺，得到传感器位 置嵌入矩阵。
[0099]
步骤s33，基于所述传感器位置嵌入矩阵和所述预处理多变量时间序列数 据，得到嵌入特征矩阵。
[0100]
步骤s34，将所述嵌入特征矩阵投影到三个高维子空间中，得到三个嵌入 特征分量。三个嵌入特征分量分别为特征查询子空间分量、特征键子空间分量 和特征值子空间分量。具体地，公式如下：
[0101][0102]
式中：qf表示特征查询子空间分量，kf表示特征键子空间分量，vf表示 特征值子空间分量，xf为x
′f任意一个时间戳的状态，x
′f为嵌入特征矩阵，为特征查询子空间的权重矩阵，为特征键子空间的权重矩阵，为特征值 子空间的权重矩阵。
[0103]
步骤s35，基于三个所述嵌入特征分量得到初始局部动态依赖关系。
[0104]
通过多头注意力的方式学习不同的传感器间依赖模式，进而能从不同的高 维潜在子空间中捕获不同的局部时变依赖关系。利用点积自注意力的方式学习 多个传感器间的局部依赖mf，再进一步与vf聚合得到学习后的节点特征zf， zf即为初始局部动态依赖关系。
[0105][0106]
zf＝m
fvf
[0107]
式中：为点积自注意力的缩放因子，为了梯度的稳定，将每个点积的 结果除以
[0108]
步骤s36，基于所述初始局部动态依赖关系，采用前馈神经网络，得到所 述局部动态依赖关系。
[0109]
为了进一步改进预测能力，将加入残差连接后的节点特征z
′f＝zf xf输 入到共享的两层前馈神经网络中，以探索节点特征之间的相互作用。
[0110][0111]
其中，和w
1f
为两层前馈神经网络的权重矩阵。uf和z
′f通过 进行组合，用门机制进行特征融合，得到所述局部动态依赖关系。
[0112]
步骤s4，基于所述全局依赖关系和所述局部动态依赖关系得到融合依赖 关系。
[0113]
将解缠绕全局网络的输出全局依赖关系xg和局部注意力网络的输出局部 动态依赖关系分别乘以权重矩阵wg和wf，经由sigmod激活函数转换后作 为融合门g。
[0114][0115][0116]
融合门g加权xg和得到单个时间戳的输出yf，连接w个时间戳的输 出得到融合依赖关系y
′f。
[0117]
步骤s5，基于时间网络得到所述预处理多变量时间序列数据的时间依赖 关系。
[0118]
具体地，所述步骤s5包括：
[0119]
步骤s51，对每个传感器的时间位置信息进行嵌入表示，得到初始传感器 时间位置嵌入矩阵。
[0120]
步骤s52，将所述初始传感器时间位置嵌入矩阵沿空间轴平铺，得到传感 器时间位置嵌入矩阵。
[0121]
步骤s53，基于所述传感器时间位置嵌入矩阵和所述预处理多变量时间序 列数据，得到时间嵌入特征矩阵。
[0122]
步骤s54，将所述时间嵌入特征矩阵投影到三个高维子空间中，得到三个 时间嵌入特征分量。
[0123]
定义三个高维子空间以捕获动态时间相关性，分别为时间查询子空间、时 间键子空间和时间值子空间。
[0124][0125]
其中，q
t
表示时间查询子空间分量，k
t
表示时间键子空间分量，v
t
表示 时间值子空间分量，x
t
为x
′
t
任意一个时间戳的状态，x
′
t
为时间嵌入特征矩 阵，为时间查询子空间的权重矩阵，为时间键子空间的权重矩阵，为 时间值子空间的权重矩阵。
[0126]
步骤s55，基于三个所述嵌入特征分量，采用缩放点积函数，得到初始局 部动态依赖关系。
[0127]
引入缩放点积函数来学习历史时间内的时间依赖关系：
[0128][0129]
进一步将v
t
与m
t
进行聚合得到时间特征z
t
＝m
tvt
，z
t
即为初始局部动 态依赖关系。
[0130]
步骤s56，基于所述初始局部动态依赖关系，采用前馈神经网络，得到所 述时间依赖关系。
[0131]
为了探索z
t
内部的潜在交互，将其送入两层神经网络中学习隐藏的时间 依赖。在这里引入残差连接z
′
t
＝z
t
x
t
进行稳定训练。
[0132][0133]
每个传感器的输出为y
t
＝z
′
t
u
t
，通过连接m个传感器的输出得到时间 依赖关系y
′
t
。
[0134]
当前时间戳与滑动窗口内任意时间戳都产生了联系，能够有效地捕捉时间 依赖性，同时在不牺牲太多的计算效率的前提下，通过改变窗口的大小，可以 轻易地扩展到长序列来学习远程依赖关系。
[0135]
步骤s6，基于所述预处理多变量时间序列数据的融合依赖关系、时间依 赖关系和顺序关系得到融合关系。
[0136]
步骤s7，基于所述融合关系得到预测多变量时间序列数据；基于所述预 测多变量时间序列数据和所述预处理多变量时间序列数据得到是否异常。
[0137]
进一步地，所述步骤s7具体为：
[0138]
将t时刻的预测值与实际值x
t
之间的平方误差作为异常分数，表示预测 值与真实值的误差程度，异常分数越大，表示t时刻发生异常的可能性越大。 如果异常分数超出了
阈值，则判定t时刻发生异常。计算n个时间戳的异常分 数，得到异常分数时间序列{l1,l2,
…
,ln}。异常分数计算公式如下：
[0139][0140]
式中，l
t
表示t时刻的异常分数，x
t,i
表示第i个预处理单变量时间序列数 据t时刻的值，为x
t,i
的预测值。
[0141]
动态自动选取阈值使用极值理论中的pot定理，它不假设异常数据的任 何分布，而是通过广义帕累托(gpd)拟合尾部分布，公式如下：
[0142][0143]
其中，τ是初始阈值，α为gpd的形状参数，β为gpd的尺度参数，l代 表异常分数时间序列，l-τ遵循参数为α和β的广义帕累托分布，表示超出初始 阈值τ的部分。
[0144]
使用矩量法来估计参数α和β的值，矩量法使用样本的均值和方差来估计总 体，从而推导出分布的未知参数。gpd的均值由替换， gpd的方差由替换。其中，yi表示s＞τ的 样本点，n是yi的数量。由下式计算出α和β的估计值：
[0145][0146]
式中：为α的估计值，为β的估计值。
[0147]
最终的阈值τ
final
由下式计算，其中q是用于确定异常的风险系数。
[0148][0149]
图3为本发明基于解缠绕网络的多变量时间序列异常检测体统结构图。如 图3所示，本发明提供了一种基于解缠绕网络的多变量时间序列异常检测系 统，包括：数据处理模块1、全局模块2、局部模块3、第一融合模块4、时间 模块5、第二融合模块6和预测判断模块7。
[0150]
所述数据处理模块1用于获取初始多变量时间序列数据，并对所述多变量 时间序列数据进行规范化处理，得到预处理多变量时间序列数据。
[0151]
所述全局模块2用于基于解缠绕全局网络得到所述预处理多变量时间序 列数据的全局依赖关系。
[0152]
所述局部模块3用于基于局部注意力网络得到所述预处理多变量时间序 列数据
的局部动态依赖关系。
[0153]
所述第一融合模块4用于基于所述全局依赖关系和所述局部动态依赖关 系得到融合依赖关系。
[0154]
所述时间模块5用于基于时间网络得到所述预处理多变量时间序列数据 的时间依赖关系。
[0155]
所述第二融合模块6用于基于所述预处理多变量时间序列数据的融合依 赖关系、时间依赖关系和顺序关系得到融合关系。
[0156]
所述预测判断模块7用于基于所述融合关系得到预测多变量时间序列数 据；基于所述预测多变量时间序列数据和所述预处理多变量时间序列数据得到 是否异常。
[0157]
可选地，所述初始多变量时间序列数据由同一实体的多个初始单变量时间 序列数据组成，每个所述初始单变量时间序列数据对应一个传感器的监测值； 所述预处理多变量时间序列数据包括多个预处理单变量时间序列数据。
[0158]
可选地，所述全局模块2包括：
[0159]
相似度单元，用于基于每个传感器的嵌入向量得到每个传感器之间的相似 度；
[0160]
矩阵单元，用于基于每个传感器之间的相似度得到解缠绕邻接矩阵；
[0161]
全局单元，用于基于所述解缠绕邻接矩阵和所预处理多变量时间序列数据 得到所述全局依赖关系。
[0162]
可选地，所述局部模块3包括：
[0163]
第一嵌入单元，用于对每个传感器的位置信息进行嵌入表示，得到初始传 感器位置嵌入矩阵。
[0164]
第一平铺单元，用于将所述初始传感器位置嵌入矩阵沿空间轴平铺，得到 传感器位置嵌入矩阵。
[0165]
第一特征矩阵单元，用于基于所述传感器位置嵌入矩阵和所述预处理多变 量时间序列数据，得到嵌入特征矩阵。
[0166]
第一投影单元，用于将所述嵌入特征矩阵投影到三个高维子空间中，得到 三个嵌入特征分量。
[0167]
第一初始单元，用于基于三个所述嵌入特征分量得到初始局部动态依赖关 系。
[0168]
局部单元，用于基于所述初始局部动态依赖关系，采用前馈神经网络，得 到所述局部动态依赖关系。
[0169]
可选地，所述时间模块5包括：
[0170]
第二嵌入单元，用于对每个传感器的时间位置信息进行嵌入表示，得到初 始传感器时间位置嵌入矩阵。
[0171]
第二平铺单元，用于将所述初始传感器时间位置嵌入矩阵沿空间轴平铺， 得到传感器时间位置嵌入矩阵。
[0172]
第二特征矩阵单元，用于基于所述传感器时间位置嵌入矩阵和所述预处理 多变量时间序列数据，得到时间嵌入特征矩阵。
[0173]
第二投影单元，用于将所述时间嵌入特征矩阵投影到三个高维子空间中， 得到三个时间嵌入特征分量。
[0174]
第二初始单元，用于基于三个所述嵌入特征分量，采用缩放点积函数，得 到初始
局部动态依赖关系。
[0175]
时间单元，用于基于所述初始局部动态依赖关系，采用前馈神经网络，得 到所述时间依赖关系。
[0176]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是 与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于 实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较 简单，相关之处参见方法部分说明即可。
[0177]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施 例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的 一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变 之处。综上所述，本说明书内容不应理解为对本发明的限制。