多尺度时空图模型用于小麦粉运输过程中的无监督异常检测

《Foods》：Multi-Scale Spatial–Temporal Graph Model for Unsupervised Anomaly Detection in the Wheat Flour Transportation Process

　　

小麦粉运输涉及较长的运输周期，这给安全风险监督带来了巨大挑战。因此，开发一种高效的异常检测方法以支持该阶段的风险评估至关重要。然而，现有的异常检测方法往往忽略了不同时间尺度上的耦合效应以及危害因素的空间聚类。为解决这一局限性，研究人员提出了一种基于多尺度时空图模型的无监督异常检测框架（MSTUAD），该框架能够同时捕捉重要性因素与危害因素在多个时间尺度上的时空相关性。具体而言，首先在给定时间窗口内为每个危害因素构建特征图（feature map）以表示耦合效应；其次，设计了一个多尺度时空图模型（multi-scale spatial–temporal graph model）以从这些特征图中提取时空特征；最后，基于变分自编码器（variational autoencoder, VAE）的重建模型学习危害因素时空特征的潜在表示，从而捕捉正常小麦粉的内在特征。在小麦粉运输危害因素数据集以及三个公开工业数据集上的实验验证表明，MSTUAD显著优于最先进的异常检测方法，平均F1-score（F1分数）超过84.55%。该方法为相关监管机构提供了有价值的决策支持和技术指导。

论文解读：基于多尺度时空图模型的小麦粉运输过程无监督异常检测研究

**研究背景、问题与意义**
食品安全是全球性关键议题，与人类健康密切相关。随着食品供应链日益复杂，国际食品安全事件频发，例如2022年比利时巧克力跨境分销中的沙门氏菌污染事件、欧洲多国浆果运输中的诺如病毒和甲型肝炎病毒污染，以及中国“3.15”晚会曝光的海鲜运输中过量添加磷酸盐保水剂等问题。小麦粉作为主要膳食主食，其供应链涵盖生产、加工、储存、运输和消费环节，其中运输阶段因温度湿度波动、包装破损等因素易诱发淀粉变性、微生物增殖和脂质氧化，产生化学与生物危害，且这些危害可能通过协同或拮抗机制形成耦合风险。因此，开展小麦粉运输阶段的风险评估具有重要的实际与应用价值。现有研究多采用决策分析方法（如层次分析法、灰色关联分析）探究危害因素间的相互作用，但这些方法依赖专家主观判断，稳定性与泛化能力有限。人工神经网络虽能通过梯度下降优化避免专家知识依赖，但忽略了时间维度，无法有效学习长程依赖。长短期记忆网络（LSTM）虽能捕捉长期序列相关性，但需要预处理数据以生成监督学习目标输出。异常检测方法采用数据驱动方式识别显著偏离样本，无需预标注数据，但现有方法忽略了运输过程中危害因素的空间相关性。尽管图神经网络（GNN）被用于建模空间关系，但现有方法仅关注单一时间或空间结构特征，无法有效整合短期与长期安全风险。为此，研究人员提出了一种基于多尺度时空图模型的无监督异常检测框架（MSTUAD），发表于《Foods》。该研究旨在通过同时捕捉多时间尺度上的时空耦合效应，提升小麦粉运输过程中异常检测的准确性与鲁棒性，为监管机构提供决策支持。

**主要技术方法**
研究采用以下关键技术方法：1）基于最大互信息系数（MIC）的图结构学习，将每个时间窗口内的危害因素检测数据转化为图结构，其中节点表示危害因素，边连接k个最相关因素，以量化耦合效应（包括协同与拮抗作用）。2）多尺度时空图模型（MSTGM），包含多尺度卷积注意力（MSCA）模块，通过深度卷积、多分支深度条带卷积和1×1卷积提取多尺度上下文信息；以及时空特征提取模块（STFEM），集成残差图卷积网络（RGCN）与改进的LSTM（引入指数门控激活函数和稳定状态参数），以同时捕捉空间与时间依赖。3）基于改进变分自编码器（VAE）的重建表示，以Kolmogorov–Arnold网络（KAN）替代传统多层感知机（MLP）作为推理网络和生成网络，通过可学习激活函数和样条函数实现低维潜在表示与重建，增强模型灵活性与可解释性。数据来源为中国市场监管管理局2010年4月至2023年7月间的常规抽样检查，包含4865条小麦粉运输检测记录，选取汞（Hg）、砷（As）、铅（Pb）、镉（Cd）、铬（Cr）、玉米赤霉烯酮（ZEN）、脱氧雪腐镰刀菌烯醇（DON）、赭曲霉毒素A（OTA）、黄曲霉毒素B1（AFB1）和苯并[a]芘（BaP）作为危害指标，并依据GB 2762-2025和GB 2761-2017设定异常标签。

**研究结果**
- **结果与分析**：在小麦粉运输危害因素数据集上，MSTUAD与基于RNN（如LSTM-NDT、OmniAnomaly、MSCRED）、基于图神经网络（如GDN、AGCSL、MTAD-GAT、MUTANT）以及基于编码器（如TranAD、CAE-M、MEMTO、DTAAD、LFTSAD、TransDe）的基线模型进行比较。MSTUAD在AUC、精确率（Pre）和F1-score上均取得显著提升。与RNN模型相比，AUC平均提升32.5%，Pre平均提升38.8%，F1平均提升18.4%，归因于图结构学习充分挖掘了风险因素间的潜在关联。与GNN模型相比，AUC平均提升17.7%，Pre平均提升24.9%，F1平均提升11.2%，因多尺度卷积注意力捕捉了短期与长期时间依赖。与编码器模型相比，AUC平均提升20.1%，Pre平均提升16.6%，召回率（Rec）平均提升35.6%，F1平均提升26.1%，得益于KAN的灵活重建学习。
- **消融实验**：通过五个变体验证各组件有效性。（1）w/o MIC（移除最大互信息系数，改用皮尔逊相关系数）：MSTUAD的AUC、Pre、Rec、F1分别提升6.8%、3.5%、3.9%、3.7%，表明MIC能有效捕捉所有邻接关系，包括协同与拮抗作用。（2）w/o MSTGM（移除多尺度时空图模型，直接使用时间窗口输入）：MSTUAD的F1提升3.3%，说明MSTGM能捕获动态趋势、内在相关性及慢性累积效应。（3）w/o KAN（移除KAN层，改用MLP作为VAE的推理与生成网络）：MSTUAD的F1提升2%，但KAN提供了理论上的非线性建模优势与高可解释性。（4）w/o PA（移除点调整策略）：MSTUAD在引入点调整策略后性能显著提升，表明该策略能在事件级指导下进行细粒度校正，减少误报与漏报。
- **参数敏感性**：实验考察时间窗口长度τ、最近邻数k、潜在表示层维度z和平衡参数λ对性能的影响。当τ=20时模型最优，因窗口过小无法学习交互模式，过大则引入复杂信息；k=6时最优，过小忽略耦合关系，过大引入噪声；z=100时最优，过小丢失关键信息，过大无法提取本质特征；λ=1时最优，适当平衡多尺度时空图模型与重建表示的重要性。
- **广泛实验**：在三个公开数据集（MSL、SMAP、SWaT）上，MSTUAD的F1均优于所有基线模型，平均F1提升0.68%。与预测式、重建式、对比学习式异常检测方法相比，MSTUAD分别提升61.5%–112.6%、18.1%–30.4%和0.95%。在大型数据集（SMAP）上提升34.2%，归因于其有效捕捉多变量间依赖关系。
- **复杂度分析**：MSTUAD参数量较多、训练时间最长，因包含多尺度卷积注意力与残差图网络，但F1显著优于低复杂度模型（如GDN、DTAAD、CAE-M等）。
- **案例研究**：选取小麦粉运输数据集中的异常时间段，MSTUAD能识别单变量突变（如AFB1和BaP的显著变化）以及多变量协同变化导致的异常（如Cr与DON、Pb与Hg的耦合关系被破坏）。其他模型因未显式建模因素间依赖而难以检测后者，而MSTUAD通过图结构学习与动态时空建模有效识别结构变化引发的异常。

**讨论与结论**
讨论部分指出：1）实际运输中，小麦粉安全还受外部环境因素（如高海拔严寒、湿热气候）影响，如何整合多源异构信息超越单一因素驱动分析是未来挑战。2）多尺度时空图模型虽提升精度，但增加了参数与计算复杂度，可考虑集成深度可分离卷积以平衡效率与准确性。3）关键参数调整依赖手工迭代，未来可基于深度Q网络（DQN）设计自动超参数优化机制。

研究结论部分翻译如下：本文提出了一种用于小麦粉异常检测的MSTUAD框架。它利用多尺度卷积注意力捕捉多个时间尺度上的短期动态变化和长期趋势信息。同时，多尺度时空图模型和重建表示能够有效捕捉小麦粉危害因素的时空特征，并通过重建学习正常样本的特征。在小麦粉运输危害因素数据集上的对比实验表明，MSTUAD的F1-score达到0.8455，超过了所有基线方法。此外，MSTUAD在三个公开基准数据集（SMAP: 0.9803, MSL: 0.9629, SWaT: 0.9520）上取得了最高的F1-score，并在SMAP和MSL数据集上取得了最佳AUC，进一步验证了其在异常检测任务中的有效性和泛化能力。未来工作将聚焦于收集多源异构数据，并与小麦粉危害因素检测数据集成，构建基于异构信息融合的小麦粉安全风险评估系统，以提升应对运输和储存过程中多样化复杂异常场景的能力。