基于预训练交互式图神经网络的多元时间序列异常检测

多元时间序列异常检测是数据挖掘领域中的一项重要应用.基于深度学习的异常检测方法已经取得了重大进展，但其仍然存在一定的局限性.首先，是它们假设训练数据仅由正常数据组成，而忽略了异常数据可能导致的不可预测性；其次，大部分方法并未考虑到时间序列的独特特性.为了解决上述问题，基于预训练提出了一种新颖的用于多元时间序列的异常检测框架.框架由预训练模块和预测模块组成，首先预训练模块通过学习时间序列的密集向量表示，增强其可预测性，然后预测模块中充分利用时间序列的独特特性捕获其时间依赖.通过广泛的实验证明了所提出的模型的有效性，在三个真实数据集上均显著优于最先进的模型.