Anomalieerkennung in multivariaten Zeitreihen mittels Graph-Attention-Netzwerk

Die Anomalieerkennung in multivariaten Zeitreihen ist sowohl in der Forschung im Bereich Data Mining als auch in industriellen Anwendungen von großer Bedeutung. Obwohl in jüngster Zeit erhebliche Fortschritte auf diesem Gebiet erzielt wurden, bestehen weiterhin erhebliche Einschränkungen. Eine zentrale Schwäche besteht darin, dass die bestehenden Ansätze die Beziehungen zwischen den verschiedenen Zeitreihen nicht explizit erfassen, was zwangsläufig zu Falschalarmen führt. In diesem Artikel stellen wir einen neuartigen, selbstüberwachten Rahmen für die Anomalieerkennung in multivariaten Zeitreihen vor, um dieses Problem zu lösen. Unser Ansatz betrachtet jede univariate Zeitreihe als eigenständiges Merkmal und integriert zwei parallele Graph-Attention-Schichten, um die komplexen Abhängigkeiten multivariater Zeitreihen sowohl in zeitlicher als auch in merkmalsbezogener Dimension zu lernen. Zudem optimiert unsere Methode gemeinsam ein Vorhersage-basiertes Modell und ein Rekonstruktions-basiertes Modell, wodurch durch die Kombination von Einzelzeitpunkt-Vorhersagen und der Rekonstruktion der gesamten Zeitreihe verbesserte Zeitreihendarstellungen erzielt werden. Wir belegen die Wirksamkeit unseres Modells durch umfangreiche Experimente. Die vorgeschlagene Methode übertrifft andere state-of-the-art-Modelle auf drei realen Datensätzen. Eine weitere Analyse zeigt, dass unser Ansatz eine gute Interpretierbarkeit aufweist und somit bei der Diagnose von Anomalien hilfreich ist.