公开(公告)号：CN114492826A

公开(公告)日：2022-05-13

申请号：CN202111386406.4

申请日：2021-11-22

Applicant: 杭州电子科技大学

Inventor： 司展宇 ,  樊谨 ,  汪森 ,  汪炜杰 ,  孙丹枫 ,  邬惠峰

IPC: G06N20/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于多元时序流数据的无监督异常检测分析解决方法。本发明分为三个阶段：离线训练阶段，在线部署阶段，智能异常分析阶段。模型通过时间卷积网络和变分自编码器来解构和重构多元时间序列流数据，学习正常模式。在线流数据检测时，封装成块送入模型得到得分和分类标签，并根据提出的“异常反转机制”，解决在线异常检测中的概念漂移问题，并重训练模型，动态更新分类阈值，提高了处理在线流数据异常的准确度。之后，并行或串行的进行维度粒度的智能异常分析，生成不定维度的异常分析报告。本发明能够对多维度的、复杂的检测指标以及飞速增长的数据流进行智能异常识别、检测、分析，流程完善，为系统安全运行提供了保障。

公开(公告)号：CN113159163A

公开(公告)日：2021-07-23

申请号：CN202110418526.1

申请日：2021-04-19

Applicant: 杭州电子科技大学

Inventor： 刘振涛 ,  樊谨 ,  汪森 ,  陈金华 ,  冯龙超 ,  匡振中

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于多元时序数据分析的轻量级无监督异常检测方法。本发明包括两种模型：检测模型和推断模型；检测模型先通过随机卷积神经网络对捕捉到的多元时序数据的提取时间依赖性特征，进而利用深度贝叶斯网络对提取特征后的多元时序数据进行编解码，检测模型能够确定检测精准度范围；推断模型由得分注意力单元、阈值自动选择单元和点调整单元组成，得分注意力单元采用注意力机制扩大异常数据与正常数据之间的特征差异并为异常解释提供了理论基础，阈值自动选择单元能够自动计算阈值，点调整单元能够模拟真实异常的产生过程，推断模型能够提高异常检测的精准度、稳定性和可解释性。本发明能够应对飞速增长的数据规模和复杂多变的异常种类。

公开(公告)号：CN113392137A

公开(公告)日：2021-09-14

申请号：CN202110491150.7

申请日：2021-05-06

Applicant: 杭州电子科技大学

Inventor： 黄益攀 ,  樊谨 ,  章柯 ,  陈金华 ,  汪森 ,  陈柏平

IPC: G06F16/2458 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于双窗口机制的多变量时间序列数据预测模型。包括短序列处理模块和长序列处理模块；其中，所述短序列处理模块用于处理短时间序列数据，并从中提取出平稳的近期信息；所述长序列处理模块用于处理长时间序列数据，并从中提取出周期性、季节性的长期信息。最后将两部分结合起来，从而兼具近期信息和长期规律，得到更好的预测结果。本发明有效利用长时间序列数据从而提高时间序列预测准确率。本发明系统在所有数据集中都得到了最好的RMSE和MAE。这说明本发明确实因为融合了长序列和短序列各自的特点而优于单纯使用短序列的模型。且本发明拥有比DARNN和TCN更强的预测能力，更适用于需要高准确率而不是低时间花费的场合。

公开(公告)号：CN115757938A

公开(公告)日：2023-03-07

申请号：CN202211317767.8

申请日：2022-10-26

Applicant: 杭州电子科技大学

Inventor： 汪森 ,  樊谨 ,  张心怡 ,  朱海斌 ,  刘真

IPC: G06F16/9535 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于时空注意力的双通道神经网络的兴趣点推荐方法，采用双通道神经网络的架构，以用户群体作为输入提取用户群体的时间偏好特征与地点偏好特征，以单个用户作为输入提取用户的个性化偏好特征。通过图神经网络学习用户的轨迹意图，并且结合时间地点偏好特征为用户做出个性化的推荐。本方法可学习非相邻位置和非连续访问之间的相关性。通过用户时间偏好与兴趣点时间偏好匹配层为用户匹配合合适的下一个兴趣点，且面对冷启动问题时更加有效。本发明的采样方式在计算损失时，采样损失对正确预测仍有动量影响，所有负采样都有机会参与交叉熵损失的计算。本发明在多个数据集上都显得更加有效，在序列较短时表现突出。

公开(公告)号：CN114219027A

公开(公告)日：2022-03-22

申请号：CN202111536500.3

申请日：2021-12-15

Applicant: 杭州电子科技大学

Inventor： 樊谨 ,  王则昊 ,  吉玉祥 ,  汪森 ,  孙丹枫

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于离散小波变换的轻量级时间序列预测方法，采用波形分解模块，对输入序列进行分解得到低频分量和高频分量，使得两个分量的长度均为输入序列的一半，然后采用基于分层平行提取特征的离散网络的离散特征提取方法来对两个分量分别预测；离散网络针对注意力机制计算复杂度高的缺点，采用了离散注意力机制进行分块计算attention数值，从而降低了模型的计算复杂度。最后采用波形重构模块生成最终预测序列。该方法可以提高资源利用率，更小的模型规模使得其在资源受限制的设备上更具竞争力。