时频交叉融合引导的双流聚类异常检测
刘晓辉1
钟超2
于嘉1
熊琛2
马朝阳2
李达2
白云飞2
苗祥泰2
王晶2
1.中国民航信息网络股份有限公司,北京 1013182.北京交通大学 计算机科学与技术学院,北京 100044
摘要：针对时间序列异常检测任务中标签稀缺、误报漏报率高以及模型性能易受季节性和长期趋势变化影响的问题,提出一种时频交叉融合引导的双流聚类异常检测方法(Time-Frequency Cross-Fusion-Guided Dual-Stream Clustering Anomaly Detection Method,TFCDC).首先,分别提取时域与频域特征向量,并通过交叉融合机制实现多尺度信息的互补建模,获得时频联合特征表示.其次,利用长短期记忆网络和线性变换层对时频特征进行编码,得到两个隐变量.再次,在隐空间中采用两阶段聚类策略,通过聚合正常样本并区分异常样本,有效降低误报和漏报率.最后,在6个异常检测数据集上与主流基线模型进行对比实验.实验结果表明:所提模型TFCDC在多个数据集上优于主流基线模型,其F1分数在6个数据集上平均提升14.5%,尤其在超高维超长数据集WADI上较基线模型提升32.8%,证明TFCDC具有良好的准确性和鲁棒性,能够克服长期趋势变化和异常数据的干扰.
关键词：深度学习时间序列异常检测时频融合聚类
分类号：TP391.3(计算技术、计算机技术)
论文发表日期：2025-12-30
在线出版日期：2026-02-02（本平台首次上网日期，不代表文献的发表时间）
页数：9( 156-164 )
英文信息