【技术实现步骤摘要】
本专利技术涉及信息，尤其涉及一种基于图学习的时间序列数据异常辨识方法及系统。
技术介绍
1、多维时间序列数据的异常检测面临着复杂性和动态性的双重挑战。传统方法往往难以有效捕捉多个监测设备之间的复杂关联关系，同时也无法充分利用时间序列的动态特征。这导致在处理高维、非线性、非平稳的工业监测或金融风控等场景数据时，检测准确率不高，可解释性差。特别是在存在噪声干扰、数据稀疏或设备故障等情况下，如何准确识别异常模式变得更加困难。此外，不同设备产生的异构数据如何统一表示和融合分析，也是一个亟待解决的问题。随着监测规模的扩大和数据维度的增加，计算复杂度呈指数级增长，如何在保证检测效果的同时提高算法效率，成为一个棘手的问题。在实际应用中，异常检测结果的可解释性对后续决策至关重要，但目前大多数方法难以给出清晰的异常原因分析。因此，如何设计一种能够同时兼顾多维关联性、时序动态性、计算效率和可解释性的异常检测方法，成为该领域亟需突破的核心技术难题。
技术实现思路
1、本专利技术提供了一种基于图学习的时间序列数据异常辨识方法，主要包括：
2、获取多维时间序列数据；对所述多维时间序列数据进行预处理，得到预处理后的多维时间序列数据；根据所述预处理后的多维时间序列数据，通过图结构学习，得到图结构；根据所述图结构，通过基于贝叶斯网络与图注意力的时序预测模型，得到预测值；根据所述预测值，计算异常分数；根据所述异常分数，判断是否存在异常，得到异常辨识结果。
3、进一步的，所述对所述多维时间序列
4、进一步的，所述对所述多维时间序列数据进行数据降噪处理，包括：采用滑动均值滤波方法对所述多维时间序列数据进行处理，去除高频噪声，得到第一降噪后的多维时间序列数据；采用中值滤波方法对所述第一降噪后的多维时间序列数据进行处理，去除孤立的噪声点，得到第二降噪后的多维时间序列数据；采用高斯滤波方法对所述第二降噪后的多维时间序列数据进行处理，进一步平滑数据，得到降噪后的多维时间序列数据。
5、进一步的，所述根据所述预处理后的多维时间序列数据，通过图结构学习，得到图结构，包括：获取监测设备的嵌入向量，所述监测设备的嵌入向量用于表示所述监测设备的特征；根据所述监测设备的嵌入向量，计算所述监测设备之间的相似度，得到相似度矩阵；根据所述相似度矩阵，构建所述图结构，其中，所述图结构中的节点表示监测设备，所述图结构中的边表示监测设备之间的依赖关系。
6、进一步的，所述根据所述图结构，通过基于贝叶斯网络与图注意力的时序预测模型，得到预测值，包括：根据所述图结构，通过贝叶斯网络提取特征，得到贝叶斯网络特征；将所述贝叶斯网络特征输入至图注意力模型中，通过所述图注意力模型中的注意力机制聚合邻居节点信息，更新节点特征，得到更新后的节点特征；将所述更新后的节点特征输入至全连接层，通过所述全连接层预测未来时刻的数据，得到预测值。
7、进一步的，所述根据所述预测值，计算异常分数，包括：获取训练阶段的预测误差均值和协方差矩阵，作为正常状态下的特征；计算测试阶段的预测误差与所述正常状态下的特征之间的马氏距离，得到马氏距离值；将所述马氏距离值作为异常分数。
8、进一步的，所述根据所述异常分数，判断是否存在异常，得到异常辨识结果，包括：将所述异常分数与预设阈值进行比较；若所述异常分数大于或等于所述预设阈值，则判断存在异常，得到异常预警结果；若所述异常分数小于所述预设阈值，则判断不存在异常。
9、本专利技术还提供一种基于图学习的时间序列数据异常辨识系统，所述系统包括：
10、获取模块，用于获取多维时间序列数据；
11、数据预处理模块，用于对所述多维时间序列数据进行预处理，得到预处理后的多维时间序列数据；
12、数据处理模块，用于根据所述预处理后的多维时间序列数据，通过图结构学习，得到图结构；
13、预测模块，用于根据所述图结构，通过基于贝叶斯网络与图注意力的时序预测模型，得到预测值；
14、异常分数计算模块，用于根据所述预测值，计算异常分数；
15、检测模块，用于根据所述异常分数，判断是否存在异常，得到异常辨识结果。
16、本专利技术实施例提供的技术方案可以包括以下有益效果：
17、本专利技术公开了一种基于图注意力神经网络的多维时间序列异常检测方法。该方法针对多个监测设备的时间序列数据进行预处理和降噪，将其转化为图结构数据，并结合预训练的设备嵌入向量生成邻接矩阵。通过贝叶斯网络提取特征后，利用图注意力神经网络对节点信息进行聚合和学习，最终输出预测结果。本专利技术通过计算异常分数并与预设阈值比较来判断异常情况，实现了对复杂多维时间序列数据的有效分析和异常检测。这种方法融合了图结构表示、注意力机制和深度学习技术，能够准确捕捉设备间的关联关系和时间序列的动态特征，提高了异常检测的准确性和可解释性，为工业监测、金融风控等领域提供了有力的技术支持。
本文档来自技高网...【技术保护点】
1.一种基于图学习的时间序列数据异常辨识方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述对所述多维时间序列数据进行预处理，包括：
3.如权利要求2所述的方法，其特征在于，所述对所述多维时间序列数据进行数据降噪处理，包括：
4.如权利要求1所述的方法，其特征在于，所述根据所述预处理后的多维时间序列数据，通过图结构学习，得到图结构，包括：
5.如权利要求1所述的方法，其特征在于，所述根据所述图结构，通过基于贝叶斯网络与图注意力的时序预测模型，得到预测值，包括：
6.如权利要求1所述的方法，其特征在于，所述根据所述预测值，计算异常分数，包括：
7.如权利要求1所述的方法，其特征在于，所述根据所述异常分数，判断是否存在异常，得到异常辨识结果，包括：
8.一种基于图学习的时间序列数据异常辨识系统，其特征在于，所述系统包括：
9.如权利要求8所述的系统，其特征在于，所述数据预处理模块，还用于：
10.如权利要求9所述的系统，其特征在于，所述数据预处理模块，还用于：
...【技术特征摘要】
1.一种基于图学习的时间序列数据异常辨识方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述对所述多维时间序列数据进行预处理，包括：
3.如权利要求2所述的方法，其特征在于，所述对所述多维时间序列数据进行数据降噪处理，包括：
4.如权利要求1所述的方法，其特征在于，所述根据所述预处理后的多维时间序列数据，通过图结构学习，得到图结构，包括：
5.如权利要求1所述的方法，其特征在于，所述根据所述图结构，通过基于贝叶斯网络与图注意力的...
【专利技术属性】
技术研发人员：李宗瑜，刘志彬，姜巍，王子恒，张志亮，
申请(专利权)人：国网浙江省电力有限公司科技创新中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。