公开(公告)号：CN113159163A

公开(公告)日：2021-07-23

申请号：CN202110418526.1

申请日：2021-04-19

Applicant: 杭州电子科技大学

Inventor： 刘振涛 ,  樊谨 ,  汪森 ,  陈金华 ,  冯龙超 ,  匡振中

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于多元时序数据分析的轻量级无监督异常检测方法。本发明包括两种模型：检测模型和推断模型；检测模型先通过随机卷积神经网络对捕捉到的多元时序数据的提取时间依赖性特征，进而利用深度贝叶斯网络对提取特征后的多元时序数据进行编解码，检测模型能够确定检测精准度范围；推断模型由得分注意力单元、阈值自动选择单元和点调整单元组成，得分注意力单元采用注意力机制扩大异常数据与正常数据之间的特征差异并为异常解释提供了理论基础，阈值自动选择单元能够自动计算阈值，点调整单元能够模拟真实异常的产生过程，推断模型能够提高异常检测的精准度、稳定性和可解释性。本发明能够应对飞速增长的数据规模和复杂多变的异常种类。

公开(公告)号：CN112257911A

公开(公告)日：2021-01-22

申请号：CN202011089562.X

申请日：2020-10-13

Applicant: 杭州电子科技大学

Inventor： 章轲 ,  樊谨 ,  黄益攀 ,  刘振涛 ,  陈佰平

IPC: G06Q10/04 ,  G06Q50/04 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于并行时空注意力机制的TCN多元时间序列预测方法，首先对公式进行定义，然后构建多元时间序列预测模型，包括两个并行的网络主干，空间注意力分支主干通过空间注意力模块提取外生序列和目标序列之间的空间相关性，时间注意力分支主干则通过时间注意力模块来捕捉窗口中所有时间步间的时间依赖性。空间注意力模块和时间注意力模块分别连接两个相同的堆叠TCN主干和全连接层；最后将多变量的时间序列输入多元时间序列预测模型中，获得最终的预测结果。本发明方法将时空注意力机制与TCN相结合相较于传统TCN取得了更高的准确率，同时提高网络计算效率相较于基于RNN的模型大大缩减了模型训练所需要的时间。

公开(公告)号：CN112257911B

公开(公告)日：2024-03-26

申请号：CN202011089562.X

申请日：2020-10-13

Applicant: 杭州电子科技大学

Inventor： 章轲 ,  樊谨 ,  黄益攀 ,  刘振涛 ,  陈佰平

IPC: G06F18/20 ,  G06Q50/04 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/049 ,  G06N3/08 ,  G06F123/02

Abstract: 本发明公开了一种基于并行时空注意力机制的TCN多元时间序列预测方法，首先对公式进行定义，然后构建多元时间序列预测模型，包括两个并行的网络主干，空间注意力分支主干通过空间注意力模块提取外生序列和目标序列之间的空间相关性，时间注意力分支主干则通过时间注意力模块来捕捉窗口中所有时间步间的时间依赖性。空间注意力模块和时间注意力模块分别连接两个相同的堆叠TCN主干和全连接层；最后将多变量的时间序列输入多元时间序列预测模型中，获得最终的预测结果。本发明方法将时空注意力机制与TCN相结合相较于传统TCN取得了更高的准确率，同时提高网络计算效率相较于基于RNN的模型大大缩减了模型训练所需要的时间。