一种基于Attention-GRU和iForest的周期性时间序列异常检测算法

论文摘要

对数据中异常模式的检测（异常检测）是数据分析领域一个非常重要的研究方向,尤其对时间序列的异常检测是其中的一个难点。目前,关于时序数据异常检测的研究有很多,如利用滑动窗口、小波分析、概率图模型、循环神经网络等不同技术来进行检测,但是在处理问题时还存在或多或少的不足,无法保证实际工程中的实时效率和准确性。针对周期性时间序列异常检测问题,提出一种基于Attention-GRU和iForest的异常检测算法,根据带有注意力机制的循环神经网络构建模型,实现预测长序列数据,保证工程检测效率,并通过iForest建立正常数据波动区间,避免了使用假设检验造成的误差。经实践验证,该算法能够提高实际工程中的周期性时序数据异常检测效率,并有较好的召回率和准确率。

论文目录

• 1 引言
• 2 相关工作
• 3 基于注意力机制的循环神经网络Attention-GRU和iForest的周期性时间序列异常检测算法
•   3.1 基本定义
•   3.2 算法描述
• 4 基于Attention-GRU的预测模型
• 5 基于孤立森林iForest求解波动函数
• 6 实验与结果
• 7 结束语

文章来源

类型: 期刊论文

作者: 王腾,焦学伟,高阳

关键词: 时间序列,周期序列,异常检测,循环神经网络,孤立森林

来源: 计算机工程与科学 2019年12期

年度: 2019

分类: 信息科技,基础科学

专业: 数学,计算机软件及计算机应用

单位: 中国电信股份有限公司江苏分公司,南京大学计算机科学与技术系

分类号: O211.61;TP311.13

页码: 2217-2222

总页数: 6

文件大小: 287K

下载量: 359