摘要
异常检测（Anomaly Detection）也称为异常挖掘或离群点检测，旨在从大量数据中识别和检测出与正常数据某些特征明显不同的数据，而时间序列异常检测就是在时间序列数据中检测出少部分具有离群、突变等异常情况的点，是数据挖掘领域重要的研究方向。已有的单模态时间序列异常检测方法通常只对时间序列的时序特征进行分析，忽略了时序信息在多模态空间上不同特征的关联性和互补性，导致异常检测效果不甚理想。本文针对此问题提出了基于多模态注意力机制的时序异常检测方法。 为了利用时序信息多个模态的特征，本文设计了多模态联合学习模型（Multimode Joint Learning Model，MJLM），模型采用两个编码器结构联合学习时间序列的时序信息和由时序信息生成的噪声信息，并将两个模态的低维嵌入融合后作为解码器的输入，在时序模态和噪声模态重构的过程中，实现对时序信号和噪声信号的跨模态交互学习。最后，多次迭代降低原始数据与重构数据之间的重构误差，使重构特征最大限度相似与原始特征。 考虑到多模态信息融合过程中特征信息不能有效提取，本文引入了多模态注意力机制（MultiModal Attention，MMA）用于两个模态的融合和融合后特征的有效提取，该注意力机制能够获取对异常检测有价值的信息，而抑制没有价值的信息。提出了基于多模态注意力机制的时序异常检测算法（Time Series Anomaly Detection Based on MultiModal Attention，TSADM），该算法可以以无监督的方式从多模态的角度提取时间序列的多个关联特征，从而获得比传统方法更优异的异常检测性能。 在UCR时间序列数据集合中的5个真实数据集的实验结果表明，TSADM算法在异常检测任务上与传统的单模态异常检测算法相比，在AUC和AP两个异常检测性能指标上最高分别提升了9.27%和2.82%，结果表明本文所提出的异常检测算法相比于传统单模态异常检测算法能实现更有效的异常检测。
NETL