摘要
物联网（IoT）环境监测系统持续生成多变量传感器数据，其可靠性取决于对异质异常行为的有效检测。本文提出了一种面向多变量物联网时间序列异常检测的置信感知协作专家集成（CACE）方法。CACE将检测问题分解为四个专门的专家库，分别针对尖峰、漂移、平线和掉线异常。候选检测器通过奖励导出的权重和专家置信度估计进行组合，选择性可靠性调节和类别平衡逻辑协调器则将互补证据整合为最终决策。实验使用真实的温度、相对湿度和光照度测量数据，并进行受控的异常注入，包含五个固定随机种子、九个传感器板数据流和三种异常负载条件。在低、中、高负载下，CACE分别达到了0.331、0.445和0.496的平均逐点F1分数，以及0.714、0.638和0.513的事件级F1分数。配对分析显示，在所有负载下相较于单专家基线均有显著提升，而与传统确定性方法、经典方法和深度学习方法等更强基线的比较则揭示了因方法而异的权衡，而非统一的优势。消融实验证实了各专门化专家之间的互补贡献，敏感性分析表明大多数参数对中等扰动具有鲁棒性。在Raspberry Pi 5上，完整的端到端流水线每样本仅需0.01283毫秒，对应约77,994样本/秒的处理速度，且未出现热节流现象。结果表明，CACE为物联网边缘的异质异常检测提供了一种可解释且计算轻量的协作框架。
