基于选择性张量混合双向长短期记忆网络的水质预警前体检测模型

本文提出了一种创新性的混合深度学习框架HST-BiLSTM-PD，通过整合选择性张量化的双向长短期记忆网络（ST-BiLSTM）编码器-解码器与自编码器（AE），结合多头注意力（MHA）机制和特征相对均方误差阈值技术，显著提升了多变量时间序列（MVTS）中水质预警前体的检测精度。在GECCO工业数据集上取得F1=0.83的优异表现，为工业过程监控提供了新型解决方案。

　　

Highlight

相关研究

MVTS数据中的异常检测是机器学习与数据挖掘领域的热点研究方向。近年来，随着大规模数据集可用性提升、模型架构改进及计算能力增强，研究方法已从经典ML模型显著转向深度学习（DL）方法（El Amine Sehili & Zhang, 2023）。传统ML模型（如线性回归和逻辑回归）在许多应用中具有基础地位，尤其当...

方法论

如图2所示，经过预处理的MVTS数据被分割为含固定时间步长的重叠时间窗（数据包）。这些数据包首先输入BiLSTM-AMIL模型进行前体/非前体分类，被识别为潜在前体的数据包将进入第二阶段混合模型HST-BiLSTM-PD进行深度分析。该阶段包含两个子模型：以前序数据包为输入的ST-BiLSTM-ED预测模型...

实验结果

本研究所有模型均在Anaconda环境的Python+Keras中开发，使用GECCO 2019、SMD和DAMADICS三个真实数据集。如表3所示，实验在配备AMD Ryzen 5 5600H CPU和NVIDIA GTX 1650 GPU的工作站上完成。在GECCO 2019数据集上，数据经过...

前体分类数据包：30/60/120时间步长

为评估数据包尺寸对检测效果的影响，研究比较了GECCO 2019数据集上30/60/120时间步长的性能差异。图12显示60步长配置取得最佳平衡：精确度（P）0.81、召回率（R）0.85、AUC-ROC 0.88，显著优于30步长（0.68|0.78|0.79）和120步长（0.79|0.71|...

结论

本研究提出的混合DL框架通过整合BiLSTM-AMIL分类器与ST-BiLSTM-ED/ST-BiLSTM-AE预测重建双通道，成功识别MVTS数据中先于异常出现的细微模式。在GECCO、SMD和DAMADICS数据集上的实验证实，该框架能有效捕捉水质监测等领域的关键前体信号...