文档摘要：针对现有工业时间序列数据异常检测算法并未充分考虑时序数据在时间相关性方面的研究问题,提出了一种改进的HTM(HierarchicalTemporalMemory)-Attention算法.该算法结合了HTM算法和Attention机制,能学习数据之间的时间依赖关系,并在单变量和多变量时序数据上得到验证.同时,通过引入Attention机制,算法可以关注输入数据中的重要部分,进一步提高了异常检测的效率和准确性.实验结果表明,该算法对不同类型的时间序列异常数据能进行有效地检测,并且比其他常用的无监督异常检测算法具有更高的准确率和更低的运行时间.该算法在工业时间序列数据异常检测的应用中具有较大的潜力.
Abstract：Existingindustrialtimeseriesdataanomalydetectionalgorithmsdonotfullyconsiderthetemporaldataontimedependence.AnimprovedHTM(HierarchicalTemporalMemory)-Attentionalgorithmisproposedtoaddressthisproblem.ThealgorithmcombinestheHTMalgorithmwiththeattentionmechanismtolearnthetemporaldependenciesbetweendata.Itisvalidatedonbothunivariateandmultivariatetimeseriesdata.Byintroducingtheattentionmechanism,thealgorithmcanfocusontheimportantpartsoftheinputdata,furtherimprovingtheefficiencyandaccuracyofanomalydetection.Experimentalresultsshowthattheproposedalgorithmcaneffectivelydetectvarioustypesoftimeseriesanomaliesandhashigheraccuracyandlowerrunningtimethanothercommonlyusedunsupervisedanomalydetectionalgorithms.Thisalgorithmhasgreatpotentialintheapplicationofindustrialtimeseriesdataanomalydetection.
作者：张晨林 张素莉 陈冠宇 王福德 孙启涵 Author：ZHANGChenlin ZHANGSuli CHENGuanyu WANGFude SUNQihan
作者单位：长春工业大学计算机科学与工程学院,长春130012;长春工程学院计算机技术与工程学院,长春130103长春工程学院计算机技术与工程学院,长春130103吉林海诚科技有限公司技术部,长春130119贵州大学大数据与信息工程学院,贵阳550025
刊名：吉林大学学报（信息科学版） ISTIC
Journal：JournalofJilinUniversity(InformationScienceEdition)
年，卷(期)：2024, 42(3)
分类号：TP311
关键词：层级时序记忆 注意力机制 时序数据 异常检测
Keywords：hierarchicaltemporalmemory attentionmechanism temporaldata anomalydetection
机标分类号：TP393.08TN919.85TP18
在线出版日期：2024年7月19日
基金项目：吉林省科技厅基金资助项目，吉林省发改委基金资助项目基于HTM-Attention的时序数据异常检测方法[
期刊论文] 吉林大学学报（信息科学版）--2024, 42(3)张晨林 张素莉 陈冠宇 王福德 孙启涵针对现有工业时间序列数据异常检测算法并未充分考虑时序数据在时间相关性方面的研究问题,提出了一种改进的HTM(HierarchicalTemporalMemory)-Attention算法.该算法结合了HTM算法和Attention机制,能学习数据之间...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
关键词：层级时序记忆,注意力机制,时序数据,异常检测,
- 文件大小:
- 12.97 MB
- 下载次数:
- 60
-
高速下载
|
|
1
