Resumen

Actualmente, la detección de anomalías en series temporales multivariadas ha avanzado mucho en muchos campos y ha ocupado una posición importante. La limitación común de muchos estudios relacionados es que solo se tiene un patrón temporal sin capturar la relación entre variables y la pérdida de información conduce a advertencias falsas. Nuestro artículo propone una detección de anomalías en series temporales multivariadas no supervisada. En la parte de predicción, se utilizan principalmente la convolución multiscale y la red de atención gráfica para capturar información en el patrón temporal con patrón de características. La parte de selección de umbral utiliza el error cuadrático medio entre el valor predicho y el valor real para realizar un análisis de valores extremos y obtener el umbral. Finalmente, el modelo en este documento supera a otros modelos más recientes en conjuntos de datos reales.

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Serie temporal; Detección de anomalías; Multivariado; Relación entre variables; No supervisado; Parte de predicción
• Keywords:Time series; Anomaly detection; Multivariate; Relationship between variables; Unsupervised; Prediction part