将脉冲神经P系统与图卷积网络相结合，用于多变量时间序列异常检测

《Knowledge-Based Systems》：Fusing spiking neural P systems with graph convolutional networks for multivariate time series anomaly detection

　　

志辉·舒 | 建斌·严 | 洪鹏 | 立才·刘

摘要

多变量时间序列（MTS）异常检测对于维护复杂信息物理系统（如工业设施、交通基础设施和电网）的可靠性和安全性至关重要。然而，现有方法往往未能充分利用时空相关性，未能充分挖掘频域信息，也无法有效捕捉多尺度动态变化。为了解决这些问题，本研究提出了一种创新的MTS异常检测架构AD-NSNP-GCN，该架构将非线性脉冲神经网络（NSNP）与图卷积网络（GCN）有机结合。该框架包含三个主要组成部分：用于空间依赖性建模的双向GCN-NSNP、用于分解和学习趋势、季节性及残差模式的基于傅里叶的多尺度时间模块，以及用于概率特征重构和异常评分的NSNP类变分自编码器（VAE）。在五个公开基准数据集上的实验表明，AD-NSNP-GCN在准确性和泛化能力方面均优于现有最先进方法。所提出的方法为大规模多传感器时间序列数据的异常检测提供了一种原理清晰、结构化的解决方案。