基于改进图神经网络的异常检测方法

异常检测在许多领域都具有重要意义，它可以帮助人们及时发现数据错误或缺失，而传统的方法只能对单一因素进行异常识别。随着数字时代的到来，时序数据往往表现出数据庞大、复杂、维度高等特点，传统异常检测方法由于计算的可扩展性较弱，存在维度灾难问题，在多维数据场景中经常表现不准。为了提高异常检测精度及捕捉多维数据的关联性，在此提出一种基于改进图神经网络的多维序列异常检测模型，选择图偏差网络（GDN）作为基础框架，使用Transformer模型替换了原模型中的预测部分，对相邻时间序列的未来值进行预测，以此来捕捉时间序列的特征，学习时间序列之间的依赖关系，提高异常检测精度。实验结果表明，在3个公开的数据集上，该方法可获得较高的精确率和计算效率。