近日,我中心科研人员与燕山大学和广东海洋大学合作,在多变量时序数据异常检测研究方面取得了新进展,研究成果《CiTranGAN: Channel-Independent Based-Anomaly Detection for Multivariate Time Series Data》发表于计算机领域著名期刊Electronics.
异常检测作为时序数据中的关键任务之一,对于工业生产的安全性、海洋气候灾害预测预警的准确性等均有着至关重要的作用。然而,由于时序数据中呈现出的高维性、冗余性和非平稳性等,使得快速准确的识别异常成为一项具有挑战性的任务。本研究融合Transformer、生成对抗网络和通道独立策略的优势,提出一种新的多变量时序异常检测模型CiTranGAN(Channel Independent based-Transformer and GAN)。该模型,采用通道独立策略应对时序数据中存的维度高和分布漂移问题;为了降低时间冗余,促进不同时间尺度特征的交互,构建了下采样-卷积-交互学习的特征提取模块;针对注意力机制在处理时序数据时忽略局部变化趋势等问题,基于混合膨胀因果卷积提出了一种多尺度卷积的自注意力机制。最后,在五个真实的多变量时序数据集上进行了实验验证。与基线模型相比,CiTranGAN的F1-score和ROC_AUC分别平均提升了12.48%和7.89%。在消融实验中,与通道独立、下采样-卷积-交互学习和多尺度卷积自注意力机制相比,F1-score分别提升了1.70%、4.33%和2.04%;ROC_AUC分别平均提升了1.63%、2.16%和3.47%。实验结果表明本研究所提模型具有更好的合理性和有效性。
论文第一作者为我中心副研究员陈晓,通讯作者为我中心刘志亮研究员和燕山大学的郭景峰教授。该项目得到了国家自然科学基金项目和河北省自然科学基金项目的联合资助。文章信息:Xiao Chen, Tongxiang Li, Zuozuo Ma, Jing Chen, Jingfeng Guo, and Zhiliang Liu. CiTranGAN: Channel-Independent Based-Anomaly Detection for Multivariate Time Series Data [J]. Electronics, 2025, 14(9): 1857. https://doi.org/10.3390/electronics14091857

图1 时序数据的特性

图2 异常检测的可视化过程

图3 异常检测模型CiTranGAN