基于深度迁移学习的多变量时间序列异常检测

摘要：

多变量时间序列异常检测是指从相互关联的多个单变量时间序列中识别不正常的事件或行为的过程.现有的多变量时间序列异常检测方法在应用到新领域时,由于样本分布差异导致检测性能下降.而重新训练模型需要大量新领域的标注数据,且不能有效利用源领域的领域知识.针对这一问题,提出了一种基于深度迁移学习的多变量时间序列异常检测框架,该框架设计了编码器-解码器结构来提取多变量时间序列的特征,同时通过最小化嵌入层向量的距离来减小领域分布差异.基于该框架,提出一种基于ConvLSTM和最大均值差异(MMD)的多变量时间序列异常检测迁移学习方法,并利用解码后的重构误差检测多变量时间序列中的异常.最后,在服务器和空气质量两个多变量时间序列数据集上进行了实验.实验结果显示,目标域训练样本较少时,所提方法在迁移后的检测F1值比迁移前分别提升1.8％和4.2％.对比直接在目标域少量样本上训练模型,F1值提升了约9％.实验表明,所提迁移学习框架和方法对于有效提升多变量时间序列异常检测的性能.

关键词：时间序列、异常检测、深度学习、迁移学习

所属期刊栏目：18

分类号：TP393.09;O211.61(计算技术、计算机技术)

资助基金：国家自然科学基金;中央高校基本科研业务费专项资金资助项目

在线出版日期：2023-06-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：138-145