时间序列异常检测方法的研究与应用.pdfVIP

摘要

随着大数据生态系统的扩展，时间序列数据变得越来越普遍。由于医疗保健数字化、

物联网和智慧交通的兴起，此类数据大量产生，时间序列异常检测变得越来越重要。然

而，时间序列异常检测仍面临挑战，例如可伸缩性、可解释性、鲁棒性等。近年来深度

学习的途径越来越流行，但是有些模型在处理大规模数据时存在过拟合和泛化能力不足

的问题。

从准确性、可伸缩性和可解释性来说，基于隔离途径的异常检测在事务性数据上（如

银行信用贷款）取得了显著成功和应用。受隔离森林算法启发，提出了结合隔离森林和

注意力机制的前馈神经网络模型用以实现时间序列异常检测。主要研究的关键技术问题

和研究内容如下：

1

（）针对隔离森林算法在时间序列异常检测中的可行性和有效性问题，提出了一

种基于扩展隔离森林并行异常检测算法。首先对时间序列数据预处理，采用了多种时间

序列周期鉴别方法将时间序列进行切分和归一化，使其适用于隔离森林算法；其次并行

化，通过将数据集划分为多个子集，利用并行计算框架同时处理这些子集。这一方法充

分发挥了现代计算平台的并行计算能力，加速了模型的训练和评估过程。此外，基于扩

展的隔离森林有效地集成了多个维度的特征，更全面地捕捉了时间序列数据的复杂特征。

实验表明，基于隔离森林的途径能够有效检测时间序列异常。而且，这种方法提高了对

多变量关系的敏感性，从而提升了异常检测的准确度和鲁棒性。

2

（）隔离森林模型通常利用整个数据集中异常值的比例来判断单个数据点是否异

常。在缺乏确切的异常值比例先验知识时，难以准确判断单个数据点是否为异常。为此，

提出了一种结合隔离森林和注意力机制的前馈神经网络。在神经网络中引入了注意力机

制，结合不同时间步信息，对每棵树进行权重调节，将隔离森林中的异常得分转化为异

常概率，以实现对单个数据点的异常检测。实验结果表明，该模型在时间序列异常检测

方面具有较强的能力，因为反向传播算法为构造隔离树提供了一种更有效、更通用的途

径。

关键词：时间序列；异常检测；隔离森林；前馈神经网络；注意力机制

III

IV

Abstract

Timeseriesdatagrowsincreasinglyubiquitousasthebigdataecosystemexpands.Time

seriesdataanomalydetectionareincreasinglyimportantduetothemassiveproductionof

suchdatathrough,forexample,thedigitalizationofhealthcare,theinternetofthings,andthe

riseofsmarttransportation.

However,timeseriesanomalydetectionisstillconfrontedwithchallengessuchas

scalability,interpretability,robustnessetc.Thedeeplearningapproachisbecomingpopularin

recentyears.However,somemodesencounterissuesofoverfittingandinadequate

generalizationwhendealingwithlarge-scaledata.

Theisolation-basedapproachIsolationforestshaveachievedsignificantsuccessinterms

ofaccuracy,scalabilityandinterpretabilityfortransactionaldatasuchasbankcreditloans.

motivatedbytheisolationforestsalgorithms,thisthesisproposesafeedforwardneural

networkmod