一种新的多变量时间序列数据异常检测方法

李权，周兴社



一种新的多变量时间序列数据异常检测方法

李权1,2，周兴社1

（1. 西北工业大学 计算机学院，西安 710072；2. 西安卫星测控中心，西安 710043）

介绍了一种通过建立多变量时间序列数据相似度矩阵，对相似度矩阵进行转换以最大化数据之间的相关性，并采用随机游走模型计算数据点之间的连接系数来检测数据点上异常的方法。该方法充分利用了数据之间的相关性，有效减少了数据中不同程度噪声对异常检测的影响，检测过程中的漏报率和误报率明显减少，通过仿真实验验证了该方法的有效性。

时间序列数据；异常检测；相似性分析

异常检测也称为离群点检测，是近年来数据挖掘领域的重要研究方向之一[1-5]，其目标是在数据集中发现不正常的数据点，与之相关的研究包括：事件检测（event detection）[3]、变化点检测（change-point detection）[4]、异常行为检测（aberrant behavior detection）[5]等。目前，对时间序列的异常还没有一个公认的定义，普遍采用的是D. M. Hawkins给出的定义[6]：“异常点是那些与其他数据点有较大偏差的数据点，以至于怀疑这些偏差并非随机产生，而是产生于一种完全不同的方式”。异常检测技术已在经济、科学、工程等领域取得了广泛应用，如信用卡欺诈[7]、网络入侵检测[8]、航天器在轨诊断等。

异常检测方法主要包括以下几种：1）基于距离的异常点检测方法[9]，其通过计算数据点之间的距离来检测异常点，该方法具有简单高效的优点，但当数据包含多种不同分布的数据时效果不好； 2）基于密度的异常检测方法，如局部异常因子（LOF，local outlier factor）[10]，该方法克服了不同密度子集混合而造成的检测错误，检测精度较高，但当数据集较大时计算量大，复杂度过高，响应速度较慢；……