基于图注意力网络的多变量时间序列异常检测

多变量时间序列的异常检测在数据挖掘研究与工业应用中均具有重要意义。近年来，该领域已取得显著进展，但仍存在一些局限性。其中一个重要局限是现有方法未能显式建模不同时间序列之间的关联关系，导致不可避免地产生误报。针对这一问题，本文提出了一种新颖的自监督框架，用于多变量时间序列异常检测。该框架将每个单变量时间序列视为独立特征，并并行引入两层图注意力机制，以同时捕捉多变量时间序列在时间维度与特征维度上的复杂依赖关系。此外，我们的方法联合优化基于预测的模型与基于重构的模型，通过结合单时刻预测与整个时间序列重构任务，获得更优的时间序列表征。大量实验结果验证了所提模型的有效性。在三个真实世界数据集上的对比实验表明，该方法优于现有各类先进模型。进一步分析显示，所提方法具备良好的可解释性，有助于异常诊断。