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

• 作者: 焦学伟 王腾 高阳
• 来源期刊: 计算机工程与科学
• 学科: 工学
• 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
• 年，卷（期）: 2019,（12）
• 所属期刊栏目: 人工智能与数据挖掘
• 页码范围: 2217-2222
• 页数: 6页
• 分类号: TP391
• 字数: 4334字
• 语种: 中文
• DOI: 10.3969/j.issn.1007-130X.2019.12.017

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	高阳	南京大学计算机科学与技术系	77	1645	20.0	39.0
2	王腾		2	3	1.0	1.0
3	焦学伟	南京大学计算机科学与技术系	1	2	1.0	1.0