基于并行Transformer-LSTM的IoT时间序列异常检测方法OA

针对物联网复杂时间序列的异常检测问题,本研究提出了一种基于Transformer和长短期记忆网络(Long Short-Term Memory,LSTM)优化的并行Transformer-LSTM混合模型。利用沙普利加解释值对特征重要性进行评估,进而筛选出关键特征,同时采用滑动切片技术对时间序列数据进行重构,以增强模型对时域特征的捕捉能力。此外,引入集成层对不同特征进行整合并自动调整其权重,从而优化异常检测性能。实验部分使用均方误差和二元交叉熵作为损失函数,分别对LSTM、串联Transformer-LSTM模型及并行Transformer-LSTM模型进行训练,最终通过加权方式获取异常分值。实验结果表明,所提出的模型在真实数据集上表现出色,与现有方法相比,在准确率、精确度、召回率等关键指标上均有显著提升。进一步的消融实验验证了模型各组成部分的有效性,即使在异常率仅为1%的Fridge数据集,检测准确率仍可以达到99.93%,充分证明了该模型在复杂时间序列异常检测任务中的优越性能。