公开(公告)号：CN119739971A

公开(公告)日：2025-04-01

申请号：CN202411853427.6

申请日：2024-12-16

Applicant: 杭州电子科技大学

Inventor： 杨海龙 ,  樊谨 ,  黄良康 ,  王佳琪 ,  孙丹枫

IPC: G06F18/10 ,  G06F18/2132 ,  G06F18/27 ,  G06N3/0455 ,  G06N3/0475 ,  G06N3/08

Abstract: 本发明公开了一种基于双重重建的多元时间序列异常检测方法，涉及数据处理与分析技术领域；S1、对输入的时间序列数据样本进行预处理；S2、将S1中预处理后的时间序列数据转换为滑动窗口序列样本；S3、将S2的滑动窗口序列样本通过GAN模型与S1中时间序列数据样本进行判别操作；S4、在S3的GAN模型框架基础上应用EM距离最小化生成器和最大化判别器的损失函数；S5、构建判别网络的损失函数；S6、计算误差并结合S4和S5得到GAN模型的损失函数L1；S7、进行二次重建得到损失函数L2；S8、通过S6和S7的损失函数计算异常分数阈值；S9、根据S8的结果对异常分数区分标记；本发明采用上述基于双重重建的多元时间序列异常检测方法，可以提高异常检测的性能和可靠性。

公开(公告)号：CN119557597A

公开(公告)日：2025-03-04

申请号：CN202411707892.9

申请日：2024-11-26

Applicant: 杭州电子科技大学

Inventor： 刘杰 ,  樊谨 ,  张心仪 ,  黄良康 ,  孙丹枫 ,  邬惠峰

IPC: G06F18/20 ,  G06F18/213 ,  G06F18/21 ,  G06N3/045 ,  G06N3/084 ,  G06F123/02

Abstract: 本发明公开了一种基于双流Transformer架构的时间序列分析方法，属于时序分析技术领域，包括：获取多变量时间序列数据集，并对数据集进行预处理和划分；构建TSTNet模型；对TSTNet模型进行初步训练，得到最终特征序列；基于得到的最终特征序列，应用梯度下降方法对损失函数进行优化，完成TSTNet模型的一次训练；对TSTNet模型进行验证；对TSTNet模型进行整体训练；训练完成后，使用测试数据集对TSTNet模型输出的最终特征序列进行评估，得到TSTNet在该数据集上最终的损失得分。本发明采用上述方法，通过构建TSTNet模型明确处理通道间个性与共性的关系，解决不同通道间错综复杂的依赖关系。