Mamba-KAN模型在多变量时间序列异常检测中的应用OA
在时间序列数据异常检测领域,传统方法在处理多维复杂数据时,往往难以有效捕捉长程依赖关系和复杂的特征交互模式,导致检测精度和稳定性不足。提出一种基于Mamba-KAN架构的多变量时间序列数据异常检测模型,通过多维特征分析实现高精度异常识别。模型包含三个核心模块:图注意力网络模块通过学习特征间的拓扑结构,有效捕获多维特征的动态关联;Mamba-KAN通过Mamba与KAN协同,在保持序列长程依赖捕获能力的同时,解析特征间的高阶非线性时序关联;智能决策模块依托极值统计分析构建自适应阈值机制,实现无监督场景下的异常置信度评估。实验结果表明,该框架在多个工业场景数据集上的异常检测精度显著优于传统方法,在SMD、MSL和PSM数据集上的F1分数分别达到98.44%、94.91%和97.39%。
管联坤;谢平;叶成绪;夏吉;唐新龙
青海师范大学计算机学院,西宁810016 青海师范大学藏语智能全国重点实验室,西宁810008 青海师范大学青海省物联网重点实验室,西宁810008青海师范大学计算机学院,西宁810016 青海师范大学藏语智能全国重点实验室,西宁810008 青海师范大学青海省物联网重点实验室,西宁810008青海师范大学计算机学院,西宁810016 青海师范大学藏语智能全国重点实验室,西宁810008 青海师范大学青海省物联网重点实验室,西宁810008青海师范大学计算机学院,西宁810016 青海师范大学藏语智能全国重点实验室,西宁810008 青海师范大学青海省物联网重点实验室,西宁810008青海师范大学计算机学院,西宁810016 青海师范大学藏语智能全国重点实验室,西宁810008 青海师范大学青海省物联网重点实验室,西宁810008
信息技术与安全科学
深度学习多变量时间序列异常检测MambaKAN
《计算机工程与应用》 2026 (13)
P.344-352,9
国家自然科学基金(62362057)西宁市科学技术局项目(2024-Y-8)。
评论