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

技术特征：
1.一种基于解缠绕网络的多变量时间序列异常检测方法，其特征在于，包括：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；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；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；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；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；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；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。2.根据权利要求1所述的基于解缠绕网络的多变量时间序列异常检测方法，其特征在于，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。3.根据权利要求2所述的基于解缠绕网络的多变量时间序列异常检测方法，其特征在于，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：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；基于每个传感器之间的相似度得到解缠绕邻接矩阵；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。4.根据权利要求2所述的基于解缠绕网络的多变量时间序列异常检测方法，其特征在于，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：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；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；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；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；基于三个所述嵌入特征分量得到初始局部动态依赖关系；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。5.根据权利要求2所述的基于解缠绕网络的多变量时间序列异常检测方法，其特征在于，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：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；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；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；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；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；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。
6.一种基于解缠绕网络的多变量时间序列异常检测系统，其特征在于，包括：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；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；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；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；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；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；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。7.根据权利要求6所述的基于解缠绕网络的多变量时间序列异常检测系统，其特征在于，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。8.根据权利要求7所述的基于解缠绕网络的多变量时间序列异常检测系统，其特征在于，所述全局模块包括：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；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；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。9.根据权利要求7所述的基于解缠绕网络的多变量时间序列异常检测系统，其特征在于，所述局部模块包括：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；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；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；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；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；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。10.根据权利要求7所述的基于解缠绕网络的多变量时间序列异常检测系统，其特征在于，所述时间模块包括：
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；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；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；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；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；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。

技术总结
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。提高了针对多变量时间序列的异常检测能力。提高了针对多变量时间序列的异常检测能力。


技术研发人员：王春枝 邢绍文 高榕 严灵毓 吴珺 周显敬 刘虎
受保护的技术使用者：武汉卓尔信息科技有限公司
技术研发日：2022.07.06
技术公布日：2022/11/15