【技術實現步驟摘要】
本專利技術涉及數據異常檢測，具體涉及一種基于對比學習和生成對抗網絡的時間序列異常檢測方法。
技術介紹
1、在工業數字化系統中，傳感器和控制器的大規模部署為設備監控、生產流程仿真以及控制和預測提供了強大的技術支持。傳感器用于監測設備，收集數據后發送給對應的數據接收器，幫助系統以高效和連續的方式運行。然而，這些數據不僅體量龐大而且具有時序性，其存儲和計算過程復雜，一旦系統發生異常，會對數據的質量和系統的安全穩定性帶來影響。時間序列異常檢測的主要任務是從數據中識別出那些明顯偏離正常運行模式的異常點。這類異常可能由于設備故障、操作失誤或外部干擾等多種原因引起。例如，在網絡安全領域，異常檢測技術可以幫助監控網絡流量，及時發現并防范未經授權的訪問和潛在的網絡攻擊，保障信息的安全；在醫療健康領域，通過對患者的生理指標如心率、血壓等進行持續監控，異常檢測可以幫助醫療人員迅速識別出潛在的健康問題，并及時進行干預，從而提高醫療的效率和效果。因此，無論是在工業生產還是日常生活中，時間序列異常檢測都扮演著一個不可或缺的角色，它不僅有助于提高系統的自動化和智能化水平，還能大大降低因異常情況帶來的風險和損失。
2、目前，大多數異常檢測方法使用自編碼器來捕獲時間序列數據的正常模式。例如基于長短時記憶網絡的編碼器-解碼器模型，編碼器學習輸入時間序列的潛在表示，解碼器使用潛在表示重建時間序列，通過計算未來時間點的重建誤差判斷該點異常的可能性，如果存在與正常數據相對接近的異常數據，簡單的編碼器-解碼器網絡往往會錯過異常。為了提高模型對異常的辨別能力，現
技術實現思路
1、本專利技術為克服上述現有技術所述在不同場景下適用性不足的缺陷，提供一種基于對比學習和生成對抗網絡的時間序列異常檢測方法。
2、為達到上述技術效果，本專利技術的技術方案如下：
3、一種基于對比學習和生成對抗網絡的時間序列異常檢測方法，其步驟包括：
4、s1、將時間序列數據集進行預處理并劃分為若干批次，并對每個批次劃分為若干時間窗口；
5、s2、對于任一批次的時間序列數據，將其每一個時間窗口進行時間域和頻域的數據增強，將數據增強后的時間序列數據輸入編碼器得到第一潛在變量；并基于時間域和頻域對所述第一潛在變量進行對比學習，得到第二潛在變量；
6、s3、通過生成器和判別器對當前批次時間序列數據相應的所述第二潛在變量進行生成對抗網絡訓練，并根據訓練得到的誤差計算當前批次每一窗口內每一時間序列數據的異常分數，尋找出當前批次內異常分數高于預設閾值的時間序列數據并將其標記為異常數據；
7、s4、對下一批次的時間序列數據重復執行s2～s3步驟，直至所有批次的時間序列數據完成異常檢測。
8、與現有技術相比，本專利技術的有益效果：
9、本專利技術提出一種基于對比學習和生成對抗網絡的時間序列異常檢測方法，在編碼階段，利用對比學習機制，模型通過對比潛在變量的不同數據視圖，強化了對共性和差異性的識別能力；在對抗網絡的重建階段和對抗階段，生成器和判別器的協同作用有效提升了數據重建的精度。通過結合對比學習損失、重建誤差以及對抗誤差三者的綜合作用，模型在處理復雜時間序列數據時具備了更強的泛化能力和異常檢測的精準性。
本文檔來自技高網...【技術保護點】
1.一種基于對比學習和生成對抗網絡的時間序列異常檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于對比學習和生成對抗網絡的時間序列異常檢測方法，其特征在于，所述將時間序列數據集進行預處理的步驟包括：對時間序列數據進行min-max歸一化處理，其表達式如下：
3.根據權利要求1所述的基于對比學習和生成對抗網絡的時間序列異常檢測方法，其特征在于，所述對時間序列數據集內的每一個時間窗口進行時間域和頻域的數據增強的步驟包括：
4.根據權利要求1所述的基于對比學習和生成對抗網絡的時間序列異常檢測方法，其特征在于，所述編碼器包括依次連接的LSTM長短期記憶網絡、全連接層和ReLU修正線性單元層。
5.根據權利要求1所述的基于對比學習和生成對抗網絡的時間序列異常檢測方法，其特征在于，所述基于時間域和頻域對所述第一潛在變量進行對比學習，包括以下步驟：
6.根據權利要求1所述的基于對比學習和生成對抗網絡的時間序列異常檢測方法，其特征在于，所述通過生成器和判別器對所述第二潛在變量進行生成對抗網絡訓練中，包括重建階段和對抗階段
7.根據權利要求6所述的基于對比學習和生成對抗網絡的時間序列異常檢測方法，其特征在于，所述重建階段中將第二潛在變量分別輸入生成器和判別器進行重建并輸出重建時間序列，其損失函數為：
8.根據權利要求7所述的基于對比學習和生成對抗網絡的時間序列異常檢測方法，其特征在于，在所述對抗階段中，將所述重建階段中生成器輸出的重建時間序列進行時間域和頻域的增強后輸入編碼器得到第一潛在變量；基于時間域和頻域對所述第一潛在變量進行對比學習，得到第二潛在變量，將所述第二潛在變量輸入判別器區分來自生成器的數據或真實輸入數據，并訓練生成器欺騙判別器；其損失函數為：
9.根據權利要求6所述的基于對比學習和生成對抗網絡的時間序列異常檢測方法，其特征在于，所述根據訓練得到的誤差計算該批次內每一窗口內每一數據的異常分數的步驟包括：
10.根據權利要求1～9任一項所述的基于對比學習和生成對抗網絡的時間序列異常檢測方法，其特征在于，所述預設閾值的取值為使F1分數為最大值時閾值的取值；
...【技術特征摘要】
1.一種基于對比學習和生成對抗網絡的時間序列異常檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于對比學習和生成對抗網絡的時間序列異常檢測方法，其特征在于，所述將時間序列數據集進行預處理的步驟包括：對時間序列數據進行min-max歸一化處理，其表達式如下：
3.根據權利要求1所述的基于對比學習和生成對抗網絡的時間序列異常檢測方法，其特征在于，所述對時間序列數據集內的每一個時間窗口進行時間域和頻域的數據增強的步驟包括：
4.根據權利要求1所述的基于對比學習和生成對抗網絡的時間序列異常檢測方法，其特征在于，所述編碼器包括依次連接的lstm長短期記憶網絡、全連接層和relu修正線性單元層。
5.根據權利要求1所述的基于對比學習和生成對抗網絡的時間序列異常檢測方法，其特征在于，所述基于時間域和頻域對所述第一潛在變量進行對比學習，包括以下步驟：
6.根據權利要求1所述的基于對比學習和生成對抗網絡的時間序列異常檢測方法，其特征在于，所述通過生成器和判別器對所述第二潛在變量進行生成對抗網絡訓練中，包括重建階段和對抗階段，所述重建階段中的損失在對抗...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。