本发明属于软件工程和人工智能领域，具体涉及一种基于差分多分辨率分解的时间序列异常检测方法及系统。
背景技术：
1、在现实世界中，有大量的连续工作系统，如工业设备和空间探测器，可以从多个传感器产生连续测量。从大规模的系统监控数据中发现异常，可以简化为从时间序列中发现异常时间点，这对于确保安全，避免经济损失都具有重要意义。然而，异常通常是罕见的，并且被大量的正常时间点所隐藏，这使得数据标记变得困难和复杂。因此，关注于无监督环境下的时间序列异常检测。
2、近年来，许多关于无监督时间序列异常检测的研究工作取得了很大进展，特别是采用端到端方法学习时间模式表示的重构体系结构引起了广泛关注。mad-gan通过在生成对抗网络(gan)框架中应用长短期记忆递归神经网络(lstmrnn)作为基础模型来重建时间序列，以捕获时间序列分布的时间相关性。usad利用自编码器架构和对抗性训练来重建时间序列。tranad使用基于焦点分数的自调节，使多模态特征提取和对抗训练获得稳定性。它们的对抗性设计有助于学习可区分的表征。但它们都以端到端的方式学习时间表示，忽略了时间序列中复杂的时间模式。dvgcrn采用深度随机模型来发现非确定性的时间依赖性和通道关系，但忽略了确定性的时间依赖性。然而，时间序列是由多个包含确定性信息(如趋势、周期和季节)的组件交织在一起的。从观测数据中对这些成分进行端到端联合学习可能会捕获噪声的虚假相关性，并导致异常过度泛化。
3、为了解决上述问题，有许多时间序列分解方法，它们将时间序列分解成几个分量，以学习它们的每个表示。时间序列分解将时间序列分解为几个组件，每个组件表示模式的一个潜在类别，主要用于探索随时间推移的历史变化。传统的时间序列分解方法将分解作为历史序列建模的预处理步骤。当前时间序列分解可以看作是深度模型的内部块。autoformer应用自相关机制捕获基于学习周期的序列时间依赖关系，并提出深度分解架构以获得输入序列的季节和趋势分量。随后，fedformer采用混合专家设计来增强季节性趋势分解，并在频域内呈现稀疏关注。timesnet将时间变化分解为多个周期内变化和周期间变化。然而，一方面，这些方法倾向于在单一分辨率或单一周期下进行分解，这限制了它们的泛化性能。另一方面，这些方法在细粒度水平上学习可区分时间表示的能力不足。因此，异常过度泛化仍然是限制异常检测方法性能的关键问题。
4、综上所述，近几年伴随着人工智能技术的发展，时间序列异常检测取得了很大进展，尽管进行了大量的研究，但目前仍缺乏对异常过度泛化问题的良好解决方案，使得时间序列异常检测性能受限。为此本发明提出了解决上述问题的基于差分多分辨率分解的时间序列异常检测方法及系统。
技术实现思路
1、本发明的目的是为了提供一种基于差分多分辨率分解的时间序列异常检测方法及系统，能够有效处理时间序列异常检测中的异常过度泛化问题。
2、为实现上述技术目的，本发明采取的技术方案为：
3、一种基于差分多分辨率分解的时间序列异常检测方法，所述时间序列异常检测方法包括以下步骤：
4、利用快速傅里叶变换对输入的时间序列进行周期性分析，得到时间序列的周期成分及每个周期成分对应的权重；根据时间序列的周期大小及每个周期成分对应的权重，构建多分辨率分解网络，采用多分辨率分解网络以分解的方式将不同周期成分分离，将每一层分离出的周期成分的重构表示聚合得到最终的重构表示；
5、其中，在多分辨率分解网络中，基于差分法按周期大小将时间序列分解为差分序列和残差序列两部分，差分序列包含着对应周期的周期性；再通过双路对比学习架构分别对残差序列和差分序列进行时序依赖建模，利用细粒度对比学习方法得到相应的时间表示，组合得到每个周期成分的重构表示。
6、进一步地，利用快速傅里叶变换对输入的时间序列进行周期性分析，得到时间序列的周期成分及对应权重的过程包括以下步骤：
7、通过快速傅里叶变换将输入的一个批次的滑动时间窗口从时域变换到频域：
8、
9、式中，为第个滑动窗口，为滑动窗口的批大小；为快速傅里叶变换函数，函数用于计算频域振幅值；表示每个通道的每个频率的计算幅度；
10、选择前个最显著的振幅值所对应的频率来获得最显著的周期，，为特征维度，为通道编号；对于短期依赖，选取作为一个周期成分；式中，为窗口大小；为大于1的正整数；
11、根据每个周期对应的幅值大小，得到每个周期成分对应的权重：
12、；
13、式中，表示对应频率对应通道上的幅值，为第个周期成分对应的权重。
14、进一步地，根据时间序列的周期大小及每个周期成分对应的权重，构建多分辨率分解网络，采用多分辨率分解网络以分解的方式将不同周期成分分离，将每一层分离出的周期成分的重构表示聚合得到最终的重构表示的过程包括以下步骤：
15、根据周期性分析得到的时间序列的周期大小及每个周期成分对应的权重，构建多分辨率分解网络；
16、所述多分辨率分解网络共有层差分栈，每一层差分栈对应一组周期成分及权重，第一层差分栈的输入为原始输入数据；每一层差分栈的输出为该层对应周期成分的重构表示，根据权重将该层周期成分从上一层输入中减去，对周期成分进行逐层分离；
17、
18、
19、式中，为每层差分栈的输入；为第层的周期成分对应的权重；为原始输入数据；为第层差分栈的网络函数；
20、将每一层分离出的周期成分组合成最终的重构表示：
21、；
22、式中，为第层的周期成分的重构表示。
23、进一步地，基于差分法按周期大小将时间序列分解为差分序列和残差序列两部分的过程包括以下步骤：
24、利用差分法得到与原始序列相隔第层差分栈对应周期大小步长的残差序列：
25、
26、其中，表示在指定时间戳指定通道的输入值；；表示在指定时间戳指定通道的分辨率值；
27、将原始序列减去残差序列得到差分序列；
28、
29、其中，表示在指定时间戳指定通道的差分值。
30、进一步地，通过双路对比学习架构分别对残差序列和差分序列进行时序依赖建模的过程包括以下步骤：
31、对残差序列和差分序列进行位置嵌入和通道嵌入操作，再采用权重共享的细粒度对比学习模块来学习更加可区分的表示：
32、
33、
34、
35、式中，分别为对残差序列和差分序列进行位置嵌入和通道嵌入操作的计算结果，为位置嵌入和通道嵌入操作函数，为双路对比学习架构的函数；
36、采用多层感知器将表示投影到，融合投影得到周期对应的原始分辨率的最终重构分辨率分量：
37、
38、
39、；
40、式中，是多层感知器的投影函数。
41、进一步地，采用权重共享的细粒度对比学习模块来学习更加可区分的时间表示的过程包括以下步骤：
42、对细粒度对比学习模块的原始输入数据进行数据增强，得到原始输入数据的增强表征，；为增强函数；
43、通过卷积特征提取网络对增强表征进行编码，得到每个通道的编码结果，，将其输入到信道独立的mlp自编码器中以学习时间依赖性，为卷积特征提取网络的计算函数；
44、将所有通道表示为多元时间序列的通道独立机制每个通道共享相同的mlp网络，重构表示被连接起来作为最终表示：
45、
46、
47、式中，表示第个信道表示，表示第个重构信道表示；将所有重构的通道表示连接起来，得到最终表示；
48、将隐空间中的表示和信道独立的mlp自编码器重构的表示看作正对，再将正对分别发送到非线性投影层中得到投影；
49、计算得到由不变性项和方差项组成的对比损失。
50、进一步地，对于不变性项，采用负无样本对比损失：
51、
52、式中，和表示对比对象的第个通道的表示，是投影的输出通道数；方差项为：
53、
54、式中，为取最大值函数，为取正态分布函数，是标准偏差的恒定目标值，是用于防止不稳定的小标量；总体对比损失函数是不变性和方差项的加权平均值：
55、
56、式中，和是控制每一项在损失中的贡献的超参数：
57、将每层差分栈的残差序列和差分序列的对比损失结合起来，得到最终对比损失：
58、
59、式中，和表示残差序列和差分序列在第层差分栈中的对比损失。
60、第二方面，本发明公开了一种基于前述方法的基于差分多分辨率分解的时间序列异常检测系统，所述时间序列异常检测系统包括基于周期性分析和多分辨率分解网络的difnet层；基于差分分解和双路对比学习的差分栈和基于细粒度对比学习方法与信道独立机制的细粒度对比学习模块；
61、所述基于周期性分析和多分辨率分解网络的difnet层用于分析输入数据的周期性，得到其周期成分及每个周期成分对应的权重，权重用于指导多分辨率分解网络对周期成分的逐层分解，最终得到最终重构表示；所述多分辨率分解网络由多个差分栈组成；
62、所述差分栈根据对应层的周期成分对输入数据进行周期性分解，得到残差序列以及包含周期成分的差分序列；再通过双路对比学习架构同时对残差序列以及差分序列进行时序依赖的建模，最终组合得到周期成分的重构；其中细粒度对比学习模块是双路对比学习架构的主要组成部分；
63、所述双路对比学习架构包括细粒度对比学习模块，所述细粒度对比学习模块用于对原始表示进行增强，使其更容易从正常样本中分离异常，通过卷积特征提取网络对增强表征进行编码，将编码结果输入到信道独立的mlp自编码器中以学习时间依赖性，再将隐空间中的表示和信道独立的mlp自编码器重构的表示看作正对，分别发送到非线性投影层中得到投影，最后得到由不变性项和方差项组成的对比损失。
64、第三方面，本发明公开了一种计算机可读存储介质，存储有计算机程序，所述计算机程序使计算机执行如前所述的基于差分多分辨率分解的时间序列异常检测方法。
65、第四方面，本发明公开了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如前所述的基于差分多分辨率分解的时间序列异常检测方法。
66、与现有技术相比，本发明的有益效果如下：
67、本发明的基于差分多分辨率分解的时间序列异常检测方法及系统，设计了一个基于差分法的深度多分辨率分解网络，将时间序列分解为不同分辨率的分量，学习时间序列中的复杂周期依赖关系和短期依赖关系；提出了一个细粒度的对比学习块，以在表示级别学习不同分辨率的更可区分的表示；改进了信道独立设计，以指导多变量时间序列建模，减轻了跨信道冗余和跨信道周期性不一致的问题；本发明有效缓解了异常过度泛化问题，提升了时间序列异常检测的性能。
1.一种基于差分多分辨率分解的时间序列异常检测方法，其特征在于，所述时间序列异常检测方法包括以下步骤：
2.根据权利要求1所述的基于差分多分辨率分解的时间序列异常检测方法，其特征在于，利用快速傅里叶变换对输入的时间序列进行周期性分析，得到时间序列的周期成分及对应权重的过程包括以下步骤：
3.根据权利要求1所述的基于差分多分辨率分解的时间序列异常检测方法，其特征在于，根据时间序列的周期大小及每个周期成分对应的权重，构建多分辨率分解网络，采用多分辨率分解网络以分解的方式将不同周期成分分离，将每一层分离出的周期成分的重构表示聚合得到最终的重构表示的过程包括以下步骤：
4.根据权利要求1所述的基于差分多分辨率分解的时间序列异常检测方法，其特征在于，基于差分法按周期大小将时间序列分解为差分序列和残差序列两部分的过程包括以下步骤：
5.根据权利要求1所述的基于差分多分辨率分解的时间序列异常检测方法，其特征在于，通过双路对比学习架构分别对残差序列和差分序列进行时序依赖建模的过程包括以下步骤：
6.根据权利要求5所述的基于差分多分辨率分解的时间序列异常检测方法，其特征在于，采用权重共享的细粒度对比学习模块来学习更加可区分的时间表示的过程包括以下步骤：
7.根据权利要求6所述的基于差分多分辨率分解的时间序列异常检测方法，其特征在于，对于不变性项，采用负无样本对比损失：
8.一种基于权利要求1-7任一项中所述方法的基于差分多分辨率分解的时间序列异常检测系统，其特征在于，所述时间序列异常检测系统包括基于周期性分析和多分辨率分解网络的difnet层；基于差分分解和双路对比学习的差分栈和基于细粒度对比学习方法与信道独立机制的细粒度对比学习模块；
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序使计算机执行如权利要求1-7任一项所述的基于差分多分辨率分解的时间序列异常检测方法。
10.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如权利要求1-7任一项所述的基于差分多分辨率分解的时间序列异常检测方法。
