公开(公告)号：CN115935285A

公开(公告)日：2023-04-07

申请号：CN202211405450.X

申请日：2022-11-10

Applicant: 南京邮电大学

Inventor： 徐康 ,  李远 ,  李睿瑶

IPC: G06F18/2433 ,  G06F18/22 ,  G06F18/10 ,  G06N3/0475 ,  G06N3/094 ,  G06N3/088

Abstract: 本发明公开了基于掩码图神经网络模型的多元时间序列异常检测方法和系统，该方法包括：对多元时间序列进行数据预处理操作；输入预处理后的多元时间序列；对滑动窗口内的时序数据进行按比例掩码操作；利用每个节点嵌入式表示向量的相似度建立图结构；根据滑动窗口内的时间序列并利用当前图结构为每一个图节点聚合邻居节点信息，学习出滑动窗口的特征表示，并用该特征预测下一个时间戳的值；将预测值与真实值进行生成式对抗训练，计算生成器损失和判别器损失，更新模型；通过预测值和真实值之间的差异计算每个节点的异常分数，将异常分数高于阈值的时刻点判别为异常时间点，得到异常分析结果。本发明有助于准确检测出多元时间变量数据的异常。

公开(公告)号：CN120086656A

公开(公告)日：2025-06-03

申请号：CN202510256555.0

申请日：2025-03-05

Applicant: 南京邮电大学

Inventor： 朱三立 ,  徐康 ,  李远 ,  李睿瑶

IPC: G06F18/24 ,  G06N3/0985 ,  G06N3/09 ,  G06N3/042 ,  G06F18/214 ,  G06N3/045 ,  G06N3/048 ,  G06N3/084 ,  G06F18/22

Abstract: 本发明提供一种基于元学习与部分监督图推导网络的时间序列异常检测方法，包括步骤1：利用数据处理模块对数据预处理；步骤2：利用元学习模块进行训练，训练过程分为内环训练和外环训练两个阶段；步骤3：利用图结构学习模块构建一个基于多变量时间序列的特征图，捕获不同传感器之间的关系；步骤4：构建一个部分监督的图偏差网络模块，结合时间序列预测与异常检测任务，并设计阈值来判断是否发生异常。本发明不仅能够有效捕捉传感器之间的关联性，还能在少量标注数据的情况下，准确识别异常数据，提升异常检测的效率和准确性。