一个动态的多尺度时空融合异常检测网络

针对多变量时间序列异常检测中动态依赖建模不足、计算效率低和噪声鲁棒性差的问题，本文提出动态多尺度时空融合异常检测网络（DMSTF-ADN），通过双流时序卷积网络（DSTCN）捕捉局部和全局时序特征，动态因果图卷积模块（DCGCM）建模多变量动态交互，结合概率投影离散主成分分析（PPD-PCA）实现高效异常检测与数据修正。实验表明DMSTF-ADN在6个数据集上表现优异，MBA数据集PRC-AUC达99.56%，F1-score为99.14%。

　　

徐荣斌|赖家健|周玉清|谢颖|文立杰|杨云

中国莆田市莆田大学计算机与大数据学院

摘要

为了解决多变量时间序列异常检测中动态依赖关系建模不足、计算效率低下以及抗噪声能力弱的问题，我们提出了一种动态多尺度时空融合异常检测网络（DMSTF-ADN）。该网络由三个主要部分组成：双流时间卷积网络（DSTCN）、动态因果图卷积模块（DCGCM）和概率投影差异主成分分析（PPD-PCA）。具体而言，创新的DSTCN通过动态扩展的局部时间卷积网络（Local_TCN）捕获局部时间特征，通过门控全局时间卷积网络（Global_TCN）捕获长距离依赖关系，然后通过残差交叉注意力机制交互式融合这些特征。创新的DCGCM将多尺度全局图与局部图结合，以提取多个变量之间的复杂依赖关系。同时，异常检测分支将实时异常指标与创新的PPD-PCA结合，以快速定位异常并纠正数据，从而确定根本原因。在六个数据集上的实验表明，与其他基线模型相比，DMSTF-ADN表现出更优秀和全面的性能。特别是在MBA数据集上，其精确度-召回率（PRC）和曲线下面积得分（AUC）高达99.56%，F1分数为99.14%。它为工业实时监控和故障诊断提供了实用的解决方案。

引言

随着工业4.0时代的到来，多变量时间序列数据在工业监控、金融分析、健康监测等领域发挥着关键作用。这些数据通常由大量传感器生成，包含设备状态、环境参数和交易记录等广泛信息[1]。然而，由于数据的高维度、复杂性和大规模，传统的数据分析和异常检测方法已无法满足现代工业应用的需求[2]、[3]、[4]。异常检测技术的发展可以追溯到早期的统计应用，如基于阈值的方法和基于距离的方法[5]、[6]。然而，这些方法在处理非线性、复杂和动态变化的时间序列数据时通常表现不佳。随着机器学习和深度学习技术的进步，异常检测领域迎来了新的发展机遇。

在机器学习时代，像基于图的异常变换器（LGAT）[7]和并行多尺度动态图神经网络（PMEDGN）[8]这样的算法旨在通过分类或聚类模型区分正常数据和异常数据[9]。LGAT结合了图注意力机制和最小生成树结构来捕获关系依赖性，但在处理大量时间序列样本时，其图构建和注意力计算会带来显著的开销。尽管PMEDGN采用了基于图的异常检测的并行化设计，但在处理高维多变量时间序列时，其性能仍受控制图稀疏性和并行化超参数的影响[10]。

总之，虽然现有的时空异常检测方法在特定场景下表现有效，但它们通常难以平衡关键要求，并在四个关键维度上存在根本性限制[11]。大多数方法使用长短期记忆（LSTM）[12]进行时间建模，使用图神经网络（GNN）[13]进行空间分析，但未能捕捉到经常导致关键异常的变量间动态交互。计算效率也是一个挑战：GNN和深度变换器面临高维数据的开销，而轻量级替代方案缺乏足够的特征提取能力，从而影响了它们的泛化能力[14]。总体而言，这些相互关联的挑战需要统一的解决方案，以同时解决建模深度、计算效率、操作鲁棒性和实时性能等问题[15]、[16]。

为了解决现有方法在多变量时间序列异常检测中动态依赖关系建模不足、计算效率低下和抗噪声能力差的问题，我们提出了一种新的多变量时间序列异常检测框架，即动态多尺度时空融合异常检测网络（DMSTF-ADN）。该框架通过以下关键贡献显著提高了检测准确性、召回率和鲁棒性：

•

为了解决传统时间卷积网络在平衡局部和全局特征表示方面的局限性，我们设计了双流时间卷积网络（DSTCN）来捕获细粒度的时间细节。该网络与双向门控扩张卷积和通道注意力机制结合，用于建模长距离依赖关系。通过残差交叉注意力机制融合跨层次的特征，实现自适应交互。

•

为了克服静态图结构在实时场景中的适应性限制，我们构建了动态因果图卷积模块，该模块包括具有长期统计依赖性的全局图和具有短期动态模式的局部图。该模块通过混合门控机制动态集成图卷积网络和时变门控循环单元，明确建模多变量变量之间的动态交互。

•

一种将实时异常指标与概率投影差异主成分分析（PPD-PCA）结合的联合检测方法，能够快速定位异常并精炼数据，形成强大的“检测-验证-精炼”循环。该方法将基于变换器的实时异常指标检测与稀疏正则化主成分分析（PCA）结合，用于在低维流形上进行异常校正，显著提高了模型在噪声数据场景下的鲁棒性和检测准确性。

相关工作

相关工作

多变量时间序列异常检测是工业监控、物联网等领域的一个核心问题。相关研究逐渐从传统的统计方法发展到深度学习和图神经网络，旨在解决高维和复杂数据、缺失标签以及实时要求等挑战。在本节中，我们回顾了基于GNN和Transformer的先前工作。

模型框架

本文提出了一种动态多尺度时空融合异常检测网络（DMSTF-ADN），通过双流时间卷积网络、动态因果图卷积模块和概率投影间隙优化的三级架构实现高效的时空特征融合和异常区分。整体框架如图1所示。以下是核心模块设计和技术实现的说明。

实验

在本节中，我们首先介绍实验设置、基线模型和参数配置。然后，我们在六个公共数据集上进行测试和效率分析。随后，在数据有限的情况下进行消融实验，以验证模型中每个组件的必要性。

我们使用批量大小为64的AdamW优化器训练DMSTF-ADN模型，权重衰减为$$（与基本Adam优化器兼容）。初始学习率

结论与未来工作

本文提出了一种新的网络框架，即动态多尺度时空融合异常检测网络（DMSTF-ADN），旨在解决多变量时间序列异常检测中动态依赖关系建模不足、计算效率低下和抗噪声能力差的问题。通过深度整合时间卷积网络和图神经网络，我们的模型实现了高效的特征提取和准确的异常检测

CRediT作者贡献声明

徐荣斌：撰写——原始草稿，方法论。赖家健：验证，方法论。周玉清：资源。谢颖：调查。文立杰：资源。杨云：撰写——审阅与编辑。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

该研究得到了中国国家自然科学基金（62276146）和福建省自然科学基金（FBJY20240048）的支持。

徐荣斌于2015年在中国合肥的安徽大学获得计算机科学与技术博士学位。自2025年12月起，他担任中国莆田大学计算机与大数据学院的教授。他已在期刊和会议论文中发表了40多篇研究论文。他的研究兴趣主要包括机器学习和数据分析。