面向多维时间序列异常检测的时空图卷积网络OA北大核心CSTPCD
Spatial-temporal graph convolutional networks foranomaly detection in multivariate time series
针对现有多维时间序列异常检测模型对局部和全局时空依赖性捕获能力不足的问题,提出一种基于时空图卷积网络的多维时间序列异常检测模型.首先,在时间维度上利用扩张因果卷积和多头自注意力机制,分别捕获短期和长期时间依赖性,并且引入通道注意力来学习不同通道的重要性权重;其次,在空间维度上利用静态图学习层根据节点嵌入构建静态图邻接矩阵,旨在捕获多维时间序列数据的全局空间依赖性,同时利用动态图学习层构建一系列演化的图邻接矩阵,旨在建模局部动态的空间依赖性;最后,…查看全部>>
To address the problem that the existing multivariate time series anomaly detection models have an insufficient ability to capture local and global spatial-temporal dependencies,a multivariate time series anomaly detection model based on spatial-temporal graph convolutional networks is proposed.First,in the temporal dimension,the short-term and long-term temporal dependencies in time series data are captured by using dilated causal convolution and multi-head…查看全部>>
王静;何苗苗;丁建立;李永华
中国民航大学 安全科学与工程学院,天津 300300||中国民航大学 信息安全测评中心,天津 300300中国民航大学 计算机科学与技术学院,天津 300300中国民航大学 计算机科学与技术学院,天津 300300中国民航大学 计算机科学与技术学院,天津 300300
计算机与自动化
图卷积网络时空依赖多维时间序列异常检测
graph convolutional networksspatial-temporal dependenciesmultivariate time seriesanomaly detection
《西安电子科技大学学报（自然科学版）》 2024 (3)
170-181,12
国家自然科学基金民航联合基金重点课题(U2033205)中国民航大学信息安全测评中心开放基金资助(ISECCA-202006)
评论