公开(公告)号：CN116861964A

公开(公告)日：2023-10-10

申请号：CN202310765861.8

申请日：2023-06-27

Applicant: 南京财经大学 ,  南京邮电大学

Inventor： 曹杰 ,  岳东 ,  丁达 ,  陶海成 ,  缪佳伟 ,  魏祥森

IPC: G06N3/0475 ,  G06N3/094 ,  G06N3/0455 ,  G06N3/048 ,  G06N3/084 ,  G06N3/088 ,  G06F18/2431 ,  G06V20/40 ,  G06V10/82 ,  G06V10/764

Abstract: 一种基于双判别器生成式对抗网络的异常数据检测方法，S1、输入训练数据Dt到自动编码器中获得重构数据Dre，将获得的重构数据和原始数据输入到过滤器中，基于重构数据和原始数据之间的重构误差计算伪标签，通过伪标签将数据划分为伪正常数据和伪异常数据；S2、将S1中获得的伪异常数据输入到动态字典中，动态字典在每次迭代中将存储的数据和输入的数据对比，筛选出异常数据保存到动态字典中；S3、将S2中获得的伪正常数据输入到正常判别器中；S4、根据当前训练的步骤设计自适应权重系数，基于自适应权重系数计算重构误差的损失函数；S5、根据S3得到的两个判别器和步骤S4得到的重构误差损失函数，并迭代更新，得到生成器。

公开(公告)号：CN115688035A

公开(公告)日：2023-02-03

申请号：CN202211278394.8

申请日：2022-10-19

Applicant: 江苏电力信息技术有限公司 ,  南京财经大学

Inventor： 赵琳 ,  王惠 ,  张震宇 ,  冯曙明 ,  史伟 ,  王数 ,  沈超 ,  丁罕 ,  曹杰 ,  陶海成 ,  缪佳伟

IPC: G06F18/2433 ,  G06F18/241 ,  G06F18/214 ,  G06N3/0442 ,  G06N3/0455 ,  G06N3/09

Abstract: 本发明公开了一种基于自监督学习的时序电力数据异常检测方法。首先构建基于门控循环神经网络自编码器的多任务的异常检测模型，包括样本间对比任务、重构任务和样本内预测任务；获取企业监测的用电量的时间序列数据集，预处理后，对每一个传感器的时间序列数据根据周期性规律切分成小样本，作为输入训练异常检测模型；将待检测的数据进行预处理并根据周期性规律切分输入异常检测模型，并输出重构任务损失与样本内预测任务损失，将二者输入异常评分模型得出异常评分；判断异常评分是否超过阈值，若超过，则为异常，否则视为正常。本发明将预测任务、对比任务和重构任务三个任务相结合，可以更好地表征时间序列数据，从而降低误报率。

公开(公告)号：CN116361640A

公开(公告)日：2023-06-30

申请号：CN202310024568.6

申请日：2023-01-09

Applicant: 江苏电力信息技术有限公司 ,  南京财经大学

Inventor： 栾宁 ,  张震宇 ,  赵琳 ,  冯曙明 ,  曹杰 ,  王惠 ,  陶海成 ,  缪佳伟

IPC: G06F18/214 ,  G06N3/049 ,  G06N3/08 ,  G06N3/0464

Abstract: 本发明公开了一种基于分层注意力网络的多变量时间序列异常检测方法，首先将采用双向门控循环单元Bi‑GRU提取时间和序列的特征，然后采用图注意力网络GAN将变量和时间序列构建成一个相似图，图的节点代表序列中的变量，图的边代表变量之间的关系，然后在图上构建第一个图注意力层，提取不同变量之间关系的特征表示即变量学习，在图上构建第二个图注意力层，学习变量和序列之间的相互作用即序列学习，最后采用自动编码器重构时间序列，计算损失值进行异常序列检测。本发明能够有效检测多变量时间序列中的异常，并且实验结果优于当前最先进的方法。