科研之友
微信
新浪微博
Facebook
分享链接
摘要
对信息物理系统(CPS)的时间序列进行检测是一种重要的异常检测手段，然而现有的一些时间序列异常检测方法往往忽略了时间序列内部的依赖关系，使得预测或重构数据建立起的依赖关系较差，进而影响异常检测性能。针对以上问题，提出一种基于自适应交互学习的CPS时间序列异常检测方法。利用神经网络识别CPS的隐藏状态，然后通过全局自适应融合与交互学习来保留时间序列的依赖关系；接着使用无迹卡尔曼滤波跟踪时间序列的变化趋势，以此增强预测过程的鲁棒性；最后计算异常分数并评估异常情况。应用该方法在三个CPS数据集上实验获得的平均性能为F1分数0.940、精度0.965、召回率91.7%。实验结果表明，相较于近年来的其他研究方法，该方法能够较好地保留时间序列的依赖关系，提取更准确的时间序列特征，进而提高模型的预测性能，使得异常检测的召回率和F1分数得到较好提升，具有良好的应用前景。
- 出版日期2023
- 单位广东工业大学
