[发明专利]基于图预测网络和自动编码器的异常检测方法及系统

权利要求书

1.一种基于图预测网络和自动编码器的异常检测方法，其特征在于，包括如下步骤：

S1、对时间序列数据进行划分操作，获得以传感器为索引的三维时间序列数据集X；

S2、将所述的三维时间序列数据集X，经过自动编码器以及注意力网络对数据集进行时间依赖性学习，得出得到重构数据集X₁；

S3、基于所述重构数据集X₁，经过图形结构学习得出关系矩阵A；

S4、基于重构数据集X₁和关系矩阵A，经过图预测网络处理得到重构数据集S；

S5、基于所述三维时间序列数据集X与重构数据集S，计算误差与异常分数；

S6、基于异常分数计算每个批量对应的阈值ε；

S7、将异常分数与对应的阈值ε比较，判断异常。

2.根据权利要求1所述的方法，其特征在于，步骤S1中：

三维时间序列数据集X(t)为对原始时间序列数据Γ进行归一化处理以及下采样处理后得到的数据集。

3.根据权利要求2所述的方法，其特征在于，步骤S1中：

原始时间序列数据Γ＝{W₁，W₂，…，W_T}，T表示时间序号，其中每个W_t表示时间序列中t时刻对应的数据，是一个n维的向量，n表示维度的大小，选用最大最小标准化方法的归一化处理：

在完成原始数据Γ的归一化后，再对归一化的时间序列数据下采样处理，对原始数据每10秒进行一次采样：

W_t＝resample(10).mean() (2)

在完成原始数据Γ的归一化以及下采样后，对时间序列数据进行滑动窗口划分，以传感器为索引对象，按照时间顺序，对于t时刻往前选取长度为k的数据，进行时间戳长度为k的滑动窗口划分，每一窗口表示为X_t＝{W_t-k+1，…，W_t-1，W_t}，最终原始数据以传感器为索引对象，按照时间顺序以及一定批量被转换为一系列滑动窗口三维时间序列数据X＝{X₁，X₂，…，X_T}，其中X_T表示T时刻以传感器为索引T时刻往前取k个时间戳的滑动窗口数据。

4.根据权利要求1所述的方法，其特征在于，步骤S2中：

三维时间序列数据集X通过由编码网络和解码网络构成基于Linear全连接的自编码器以及基于自注意力的简化外部注意力机制架构得出时间依赖性的重构数据X₁：

F＝query(X)

attn＝key(F)

attn＝softmax(attn，dim＝1)

attn＝norm(attn，dim＝2)

out＝value(attn)

X₁＝Decoder(Encoder(out)) (3)

其中，query表示自注意力机制中的查询、key表示自注意力机制中的键、value自注意力机制中的值，都是该时序信号本身，通过相关模块进行编码，norm表示进行标准化。