基于图注意力Transformer的时序异常检测方法OACHSSCD

针对多元时间序列异常检测任务,现有深度学习方法虽能有效捕捉单个序列的时间依赖,但常忽略不同传感器(维度)间的复杂相互作用,导致检测精度受限.为解决此问题,本文提出一种融合图注意力网络(GAT)与Transformer的多元时序异常检测模型(GAT-TAD).该模型采用并行结构:一方面,将各传感器视为图节点,利用 GAT 动态学习并捕捉它们在每个时间步下的空间依赖关系;另一方面,利用 Transformer 编码器高效捕获各传感器自身的长程时间依赖.最终,模型融合这两种特征并通过重构误差来识别异常.为验证模型性能,在公开的服务器数据集(SMD)和航天遥测数据集(MSL)上进行了试验.结果表明,与多种基线模型相比,GAT-TAD 在F1 分数等关键指标上表现出显著优势.消融实验进一步证明,图注意力网络模块对于提升检测性能至关重要,验证了显式建模传感器间关联的有效性.