基于改进生成对抗网络的时序数据异常检测

针对时序数据复杂的时间相关性，以及现有异常检测模型存在准确性低、训练不稳定等问题，提出一种结合BiLSTM和WGAN-GP的无监督时序数据异常检测模型。使用BiLSTM作为生成器和判别器的基础网络来捕获时序数据的时间相关性；为保证训练过程的稳定性，使用Wasserstein距离取代原有的衡量方法，在判别器损失中加入梯度惩罚项；将重构损失与判别损失相结合定义异常函数，采用局部自适应阈值方法判别异常，提高异常检测的准确性。为验证模型性能，在涉及多个领域的5类数据集上进行实验，其结果表明，该模型相比于Arima、LSTM等模型具有最高的平均F1分数。