时间序列是一种重要的结构化数据类型,通常是指对一个或多个待测指标,按照相同时间间隔,持续采集获得的有序数据,其直观反映了待测指标的发展规律和运行状态,在工业、交通、气象等行业领域广泛存在。由于内外界因素的影响,时间序列中会出现与客观规律存在显著差异的异常数据,及时检测出异常数据对维护系统稳定、提高服务质量有着重要的意义。本文针对点异常、上下文异常等多类型异常检测需求,以进一步提高检测精度为目标,重点开展以下研究工作:1.提出一种多模块融合的多维时间序列异常检测方法,首先在预处理模块中,引入改进的中值滤波和3-Sigma原则检测原始时间序列中的点异常并平滑数据波动;其次在卷积长短期记忆网络的基础上设计预测模块,用于提取多维时间序列中前向和后向的时空和周期性特征来生成多维预测数据;然后提出改进的指数加权移动平均方法作为误差处理模块来平滑预测误差;最后在异常检测模块中使用动态阈值方法自适应计算阈值,以检测时间序列中的上下文异常。在两个不同行业领域数据集上的实验结果表明,该方法相较于对比方法,具有更高的异常检测精度。2.随着输入维度的增加,工作1中设计的预测模块的预测精度不断降低,进而影响异常检测精度。针对上述情况,本文在该预测模块的基础上,提出一种融合注意力机制的高维时间序列预测模型。该模型通过增加批量标准化子模块来加快模型的收敛速度并加强模型的稳定性。同时,为提高模型对目标预测维度的特征学习能力,提升相对重要的输入维度对目标预测维度的影响,本文在模型中嵌入维度注意力机制自适应计算每个维度的重要程度。实验结果表明,该模型能更好地学习高维时间序列的特征变化趋势,预测精度进一步提升。3.为提高实际应用场景中监控人员的工作效率,设计并实现基于C/S架构的多维时间序列异常检测原型系统,其中包括数据预处理模块、点异常检测展示模块、模型加载模块以及上下文异常检测展示模块,并通过数据集验证了该系统的实用性。