基于GRU-Attention的无监督多变量时间序列异常检测

时间序列异常检测在数据挖掘领域具有重要地位,且受关注程度越来越高。近年来,异常检测领域取得了较大进步,目前的方法更多利用循环神经网络自发学习数据的性质,少见有效利用特征维度和时间维度两个层面的报道。文章通过带有周期性的门控循环单元捕捉多变量时间序列数据在时间维度上的深层信息,并通过注意力机制找到度量各个特征的权重,之后将两个角度的信息汇总作为多元时序预测结果。量化预测结果与真实结果的差异,以此作为异常评价指标,并运用极值分析选取划分异常的阈值。最后,通过真实数据集的实验验证了文章方法的可行性与有效性。