本申请提供了一种基于预训练模型的时序数据异常检测方法、装置与产品,涉及时序数据异常检测技术领域,方法包括:对时间序列数据进行预处理,得到输入序列,所述时间序列数据由以时间顺序排列的多个多维监测数据组成;使所述输入序列通过卷积自注意预训练模型,生成输出序列,所述输出序列为所述输入序列的段级表示,所述输出序列中包括从所述输入序列中提取得到的局部特征;将所述输出序列和所述输入序列输入Transformer模型,生成重建序列;根据所述重建序列与所述输入序列,结合异常特征知识,生成异常检测结果,所述异常检测结果表示所述时间序列数据中处于异常状态的监测数据。
背景技术
当代物联网(IoT)平台中传感器和设备的激增导致了大量复杂的多维传感器数据的生成。并且,在众多数据驱动的行业中,包括金融市场、网络安全和医疗监控,对异常数据的识别和服务可靠性的保证已经变得至关重要。因此,准确与及时地对多维时间序列数据进行异常检测也得到了越来越多的关注。
现有技术中,Transformer模型凭借其并行计算和全局特征提取能力,已成为时间序列异常识别领域的流行工具,为该领域提供了重大进展。然而,利用Transformer模型对时间序列进行异常检测的检测准确性存在不足,仍待优化。因此,亟需提出一种基于预训练模型的时序数据异常检测方法、装置与产品,以提高Transformer模型对多维时间序列的异常检测准确度。
实现思路