Antinoise自适应时频融合方法在多变量时间序列异常检测中的应用

《Engineering Applications of Artificial Intelligence》：Antinoise Adaptive Time–Frequency Fusion for multivariate time series anomaly detection

多变量时间序列异常检测中，现有方法存在时频特征平衡不足和噪声诱导认知偏差问题。本文提出ANAF方法，通过自适应加权策略动态整合时频特征，结合残差结构保留时序依赖，并设计不确定性感知检测策略有效识别噪声干扰。实验表明ANAF在四个基准数据集上平均F1分数提升11.09%。

　　

黄思哲|梁曦|黄顺华|袁成|刘涵

哈尔滨科技大学计算机科学与技术学院，中国哈尔滨 150080

摘要

多变量时间序列异常检测（MTSAD）对于确保各种相关信息物理系统（CPS）的安全性至关重要，这些系统具有高度动态性且容易出现多种异常模式。虽然先前的研究已经证明了频域特征在提升检测性能方面的有效性，但现有方法面临两个关键限制：（i）它们未能平衡时域和频域特征的贡献；（ii）它们忽略了噪声引起的认知偏差，这在各种CPS场景中很常见，导致对正常和异常模式的误判。为了解决这些挑战，我们提出了一种抗噪声自适应时频融合方法（ANAF）用于MTSAD。ANAF通过自适应加权策略动态整合时域和频域特征，并采用残差结构来保持时间依赖性。此外，我们设计了一种基于融合特征的不确定性感知检测策略，以识别噪声引起的认知偏差并提高检测的鲁棒性和准确性。在四个基准数据集上的实验结果表明，ANAF的性能优于现有方法，平均F1分数提高了11.09%。

引言

MTSAD对于确保信息物理系统（CPS）的安全性和可靠性至关重要（Bhatia, 2024），这些系统越来越多地集成到关键基础设施中，如智能电网（Nieves等人，2013年）、自动驾驶车辆（Hu等人，2025年）、生产系统监控（Radicioni等人，2024年）和工业物联网系统（Tsang和Lee，2022年）。随着这些系统的复杂性和数据量的增加，有效的异常检测变得至关重要，以防止系统故障（Ochella等人，2022年）和网络攻击（G. Zhang等人，2023年）。MTSAD的最新进展主要依赖于无监督深度学习方法，这些方法旨在无需大量标记数据即可捕捉正常模式（C. Zhang等人，2024年），目前主要包括三种策略：基于预测的方法、基于表示学习的方法和基于重建的方法。然而，在CPS中，多变量时间序列的异构性和噪声特性给现有方法带来了重大挑战。

• •
  基于预测的方法专注于预测未来的时间点或序列，并根据预测误差来识别异常（Huang等人，2022年；Zheng和Hu，2022年）。然而，由于模型限制，这些方法往往难以捕捉复杂的时间依赖性。
• •
  基于表示学习的方法通过学习区分性特征空间显示出潜力。联合学习时域和频域特征对于捕捉非平稳数据中的独特周期性和趋势模式特别有价值（Yang等人，2024年；Z. Zhang等人，2023年）。然而，这些方法往往无法在两个域之间达到最佳平衡，限制了它们对不同场景的适应性。
• •
  基于重建的方法，如自动编码器（AEs）（Yin等人，2020年）、变分自动编码器（VAE）（Li等人，2020年）、生成对抗网络（GAN）（Geiger等人，2020年）和Transformer（Chen等人，2021年；Wen等人，2022年），通过原始样本与重建样本之间的重建误差来识别异常（Lei等人，2023年；Xiao和Li，2023年；X. Zhang等人，2024年），在捕捉复杂时间模式方面表现出色（Zamanzadeh Darban等人，2024年）。然而，时间序列数据通常具有动态和非平稳特性以及固有的噪声，这引入了不确定性（Shipmon等人，2017年）。这些噪声反映了数据收集过程中的持续模式和数据边缘区域的高噪声水平。例如，具有较大重建误差的正常数据可能会被误分类为异常，从而导致认知偏差。由于重建误差往往无法准确反映异常的程度，正常数据可能会被错误地分类为异常，从而降低检测性能，如图1所示。

为了解决这些限制，我们提出了一种抗噪声自适应时频融合（ANAF）方法用于MTSAD，该方法动态整合时域和频域特征，同时感知噪声引起的认知偏差。具体来说，ANAF利用离散小波变换（DWT）将原始时间序列数据映射到频域，通过具有自适应加权策略的特征提取和融合网络来平衡和整合时域和频域特征，动态调整时域和频域特征的贡献，充分利用它们的互补性。为了保持关键的时间依赖性，残差结构将原始特征与融合特征连接起来，确保不会丢失关键信息。最后，我们设计了一种基于不确定性感知的检测策略，可以通过不确定性估计敏感地识别噪声引起的认知偏差，并显著提高检测性能。

本文的主要贡献总结如下：

• •
  我们提出了ANAF，一种用于MTSAD的抗噪声自适应时频融合方法，能够动态整合时域和频域特征，同时敏感地感知噪声引起的认知偏差。
• •
  我们设计了一种自适应时频融合方案，动态调整时域和频域特征的贡献，充分利用它们的互补性。
• •
  我们提出了一种基于融合时域和频域特征的不确定性感知检测策略，以精确识别噪声引起的认知偏差，并提高检测的准确性和鲁棒性。
• •
  我们在四个基准数据集上进行了广泛的实验，证实了ANAF优于现有方法，尤其是在鲁棒性和跨不同场景的泛化能力方面。

本文的其余结构如下：首先，我们回顾了相关工作，强调了现有时间序列异常检测方法中的挑战。接下来，我们详细描述了我们的方法。然后，我们展示了实验设计和结果，以验证我们方法的优势。最后，我们总结了研究结果并提出了一些相关的研究计划。

相关工作

相关工作

深度学习在复杂时间序列的表达式表示学习方面取得了显著进展，特别是那些同时具有空间和时间特征的时间序列。在深度异常检测中，神经网络被用来学习特征表示或生成异常分数以识别异常。这些方法在各种实际应用中表现优于传统方法（Zamanzadeh Darban等人，2024年）。基于深度学习的方法通常分为三种类型：

方法论

我们的方法ANAF的框架如图2所示，包括三个主要模块：（1）双Transformer特征提取，（2）自适应时频融合，以及（3）不确定性感知检测策略。

给定一个多变量时间序列$X=\{x_1,x_2,,\; \dots ,x_n\}$，其中每个$x_t\in R^m$表示时间（$m$表示特征数量或通道数），我们首先应用离散小波变换（DWT）（Shensa等人，1992年）将原始时间序列转换为

实验

实验在Python 3.6和PyTorch环境中进行，运行在Ubuntu 18.04操作系统上，配备了Intel(R) Xeon(R) Gold 5320 CPU、256 GB RAM和NVIDIA A40 GPU。训练过程使用了Adam优化器，学习率为0.001。所有模型训练了10个周期，批量大小为64。我们实验中的网络参数如表1所示。

结论

在本文中，我们提出了ANAF，解决了平衡时域和频域特征整合以及敏感感知噪声引起的认知偏差的关键挑战。ANAF通过自适应加权融合机制动态整合时域和频域特征，使模型能够充分利用它们的互补优势。此外，我们引入了一种基于不确定性感知的检测策略，能够敏锐地识别噪声引起的偏差并提高检测性能。

CRediT作者贡献声明

黄思哲：撰写——原始草案、软件、方法论、调查、数据管理、概念化。梁曦：撰写——审阅与编辑、监督、资源管理、项目管理、方法论、资金获取、正式分析。黄顺华：撰写——审阅与编辑、软件、方法论。袁成：撰写——审阅与编辑、项目管理、资金获取。刘涵：撰写——审阅与编辑、软件、方法论。

资助

本工作得到了中国黑龙江省自然科学基金的支持，资助编号为LH2022F034。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。

致谢

本工作得到了中国黑龙江省自然科学基金的支持，资助编号为LH2022F034。