公开/公告号CN116665130A
专利类型发明专利
公开/公告日2023-08-29
原文格式PDF
申请/专利权人 河海大学;华能澜沧江水电股份有限公司;
申请/专利号CN202310670442.6
申请日2023-06-07
分类号G06V20/52(2022.01);G06V10/74(2022.01);G06V10/82(2022.01);G06N3/094(2023.01);
代理机构南京乐羽知行专利代理事务所(普通合伙) 32326;
代理人李玉平
地址 211100 江苏省南京市江宁区佛城西路8号
入库时间 2024-01-17 01:26:37
法律状态公告日
法律状态信息
法律状态
2023-09-15
实质审查的生效 IPC(主分类):G06V20/52 专利申请号:2023106704426 申请日:20230607
实质审查的生效
2023-08-29
公开
发明专利申请公布
技术领域
本发明涉及一种大坝安全监测多元时间序列异常检测方法和系统,特别涉及一种基于时空图的大坝安全监测多元时间序列异常检测方法和系统,属于大坝安全异常检测技术领域。
背景技术
大坝是一项至关重要的水利工程,可用于防洪、发电和蓄水等用途。由于其安全性直接关系到周围地区和民众的生命财产安全,因此必须高度重视大坝的安全监测。通过分析大坝安全监测数据,可以实时、准确地监测大坝结构的变化和异常情况,及时发现并预警潜在的安全风险,避免大坝破坏造成的灾害和损失。
近年来,研究人员使用图结构对时间序列变量间的依赖关系进行显式建模,在此基础上利用图神经网络挖掘图结构数据中的特征和模式,以支持大坝安全监测多元时间序列的异常检测。然而,现有研究仍然存在一些问题:模型无法考虑不同变量间时空依赖关系的强弱、基于预测和基于重构的模型存在各自的弊端,以及深度图神经网络容易产生过拟合,影响了大坝安全监测多元时间序列异常检测的精确率和召回率。
发明内容
发明目的:针对现有技术的问题与不足,本发明提供了一种基于时空图的大坝安全监测多元时间序列异常检测方法和系统,旨在使用图结构对大坝安全监测多元时间序列的非线性时空依赖关系进行显式建模。针对大坝异常检测任务,使用图神经网络等深度学习技术,利用图结构进行信息传播,提高异常检测的精确率和召回率。
技术方案:一种基于时空图的大坝安全监测多元时间序列异常检测方法,为适用于检测大坝安全性的多元时间序列异常检测方法,包括如下步骤:
(1)利用图结构对大坝安全监测的多元时间序列数据的时间和变量维度进行显式建模,构建变量特征图和时间特征图;
(2)采用图注意力网络并行学习时间和变量维度信息,得到更好的表征向量以捕获数据深层依赖关系;
(3)使用联合基于预测和基于重构模型的优化网络计算异常分数,得到大坝部位异常情况。
进一步的,所述步骤(1)中利用图结构对大坝安全监测的多元时间序列数据的时间和变量维度进行显式建模,构建变量特征图和时间特征图的具体步骤如下:
(1.1)构建变量特征图:首先为每个大坝安全监测点的监测变量都设置一个嵌入向量,变量i
其中,
(1.2)构建时间特征图:首先为输入滑动窗口内的时间序列每个时间点设置一个嵌入向量,时间点i的嵌入向量为
其中d是位置编码的维数,与当前位置的大坝安全监测变量维数相同,即d=N;n用来判断时间点i具体映射到正弦还是余弦函数,在为每个时间点赋予位置编码后,计算不同时间点嵌入向量之间的相似性构造时间特征图,具体计算如下公式:
不同时间点嵌入向量之间的两两相似性e
进一步的,所述步骤(2)中采用图注意力网络并行学习时间和变量维度信息,得到更好的表征向量以捕获数据深层依赖关系的具体步骤如下:
(2.1)变量图注意力层:将已构建的变量特征图作为输入,经过多头注意力、指标内注意力和指标间注意力三个模块挖掘图中信息;
多头注意力模块通过聚合邻居节点的信息更新每个节点的特征表示,节点i在第l+1层的特征表示
指标内注意力模块将与节点i属于相同指标的节点作为候选集
指标间注意力模块将与节点i属于不同检测指标的节点作为候选集
变量图注意力层的最终输出
(2.2)时间图注意力层:将已构建的时间特征图作为输入,结合位置编码,利用多头注意力模块,聚合邻居节点的信息以更新每个时间点的特征表示,计算公式如下所示;其中,
综合所有节点的最终输出,变量图注意力层的输出是一个N×ω维的矩阵,时间图注意力层的输出是一个ω×N维的矩阵;将上述两个图注意力层的输出与输入滑动窗口内的时间序列进行拼接,构成一个ω×N维的矩阵,并将该矩阵作为联合优化网络的输入,捕获数据中的序列模式信息,计算异常得分。
进一步的,所述步骤(3)中使用联合基于预测和基于重构模型的优化网络计算异常分数,得到大坝部位异常情况的具体步骤如下:
(3.1)使用两个判别器D
(3.2)运用多层感知机(MLP)作为预测模块,使用在时间t处的输入
结合步骤(3.1)中得到的重构损失函数,联合优化的损失函数为
(3.3)对于第i个大坝安全监测单变量时间序列,在任一时间戳t处,预测模块生成预测值
一种基于时空图的大坝安全监测多元时间序列异常检测系统,包括:构建变量特征图、构建时间特征图、变量图注意力层、时间图注意力层和联合优化五个模块;
所述构建变量特征图模块,为大坝安全监测多元时间序列中的每个变量设置一个嵌入向量,根据嵌入向量计算变量间的相关性后,针对任意一个变量i
所述构建时间特征图模块,为输入滑动窗口内时间序列的每个时间点设置一个嵌入向量并引入位置编码,计算不同时间点嵌入向量之间的相似性后,针对任一时间戳的数据,选择与其相似度最大的前K个邻居时间点,用边连接起来,构建时间特征图;
所述变量图注意力层模块,输入变量特征图,利用多头注意力对大坝安全监测时间序列之间的变量依赖性进行建模,加入指标内和指标间注意力捕捉不同时间序列之间的指标相关性;
所述时间图注意力层模块,输入时间特征图,结合位置编码并利用多头注意力聚合邻居节点的信息更新每个时间点的特征表示;
变量图注意力层模块的输出是一个N×ω维的矩阵,时间图注意力层模块的输出是一个ω×N维的矩阵;将上述变量图注意力层模块和时间图注意力层模块的输出与输入滑动窗口内的时间序列进行拼接,构成一个ω×N维的矩阵,并将该矩阵作为联合优化模块的输入,捕获数据中的序列模式信息,计算异常得分。
所述联合优化模块,结合基于重构和基于预测模型的优点,在重构模块捕获大坝安全监测输入数据的分布并在预测模块预测下一个时间戳处的值,联合优化损失函数并计算大坝当前部位的异常分数。
基于时空图的大坝安全监测多元时间序列异常检测系统实现方法和方法一样,不再赘述。
一种计算机设备,该计算机设备包括存储器、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,处理器执行上述计算机程序时实现如上所述的基于时空图的大坝安全监测多元时间序列异常检测方法。
一种计算机可读存储介质,该计算机可读存储介质存储有执行如上所述的基于时空图的大坝安全监测多元时间序列异常检测方法的计算机程序。
有益效果:与现有技术相比,本发明提供的基于时空图的大坝安全监测多元时间序列异常检测方法和系统,具有如下优点:利用图结构对大坝安全监测多元时间序列的非线性时空依赖关系进行显式建模,分别构建时间特征图和变量特征图,利用两个并行的图注意力层作为核心模块,捕获大坝安全监测多元时间序列的时空依赖关系。并通过一个联合优化函数结合基于预测和基于重构模型的优势,根据重构概率和预测误差来检测和定位大坝异常,提高了异常检测的精确率与召回率。
附图说明
图1为本发明实施例的基于时空图的大坝安全监测多元时间序列异常检测方法(MTS-GAT)的框架图。
图2为本发明实施例的大坝异常检测结果示例。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
图1为基于时空图的大坝安全监测多元时间序列异常检测方法的总体流程图,分为5个部分,包括构建变量特征图、构建时间特征图、变量图注意力层、时间图注意力层和联合优化模块。首先,根据大坝安全监测传感器的监测数据(N个单变量时间序列)形成多元时间序列,考虑到各个传感器形成的单变量时间序列间可能存在相似性,将大坝安全监测的每个变量作为图中的节点,利用节点相似性建立变量特征图中的连边关系。为显式捕获大坝监测数据中的时间信息,使用与构建变量特征图相似的方法构建时间特征图。之后,使用图注意力网络分别构建大坝监测数据的变量图注意力层和时间图注意力层。变量图注意力层中通过多头注意力模块和附加的关系注意力模块捕获指标内和指标间关系,时间图注意力模块则捕获输入时间窗口ω内各时间戳之间的依赖关系。最后,根据基于预测和基于重构模型的互补性,使用一个联合网络来整合两个模型的优点,并计算异常分数来检测大坝异常。
图2为大坝异常检测结果示例,左图(a)中阴影部分为已知某一坝段存在异常情况的时间区间,属于同一指标的时间序列拥有相同的后缀。可以发现,大坝垂线径向位移相关指标C4-A19-PL-01-R和C4-A19-PL-02-R的值在正常范围内变化,大坝垂线切向位移相关指标C4-A19-PL-01-T和C4-A19-PL-02-T的值也在正常范围内变化,操作人员难以直接找到引发异常的指标。右图(b)为使用基于时空图的大坝安全监测多元时间序列异常检测方法计算得到的每个变量的异常情况可视化,异常分数越大的大坝安全监测变量颜色越深。可以看出,测量大坝缝隙开合度的传感器C4-A19-J-33的异常分数最大,测量表观切向位移的传感器C4-A19-GTP-02-T次之,因此可以推断C4-A19-J-33是最可能发生异常的传感器,需要工作人员及时进行检修。从左图也能看出C4-A19-J-33数据的变化严重偏离历史时间模式。
使用基于时空图的大坝安全监测多元时间序列异常检测方法在大坝安全监测数据集中进行实验,包括如下步骤:
(1)利用图结构对大坝安全监测多元时间序列时间和变量维度进行显式建模,构建变量特征图和时间特征图的具体步骤如下:
(1.1)构建变量特征图:首先为大坝安全监测数据集中的每个变量都设置一个嵌入向量
其中,f(v
(1.2)构建时间特征图:首先为输入滑动窗口ω内的时间序列每个时间点设置一个嵌入向量
其中d是位置编码的维数,与当前位置的大坝安全监测变量维数相同,即d=N;在为每个时间点赋予位置编码后,计算不同时间点的嵌入向量之间的相似性构造时间特征图,具体计算如下公式:
不同时间点嵌入向量之间的两两相似性e′
(2)采用图注意力网络并行学习时间和变量维度信息,得到更好的表征向量以捕获数据深层依赖关系的具体步骤如下:
(2.1)变量图注意力层:将已构建的变量特征图作为输入,经过多头注意力、指标内注意力和指标间注意力三个模块进一步挖掘图中信息;多头注意力模块通过聚合邻居节点的信息更新每个节点的特征表示,节点i在第l+1层的特征表示
(2.2)时间图注意力层:将已构建的时间特征图作为输入,结合位置编码,利用多头注意力模块,聚合邻居节点的信息以更新每个时间点的特征表示,计算公式如下所示;其中,
综合所有节点的最终输出,变量图注意力层的输出是一个N×ω维的矩阵,时间图注意力层的输出是一个ω×N维的矩阵;将上述两个图注意力层的输出与输入滑动窗口内的时间序列进行拼接,构成一个ω×N维的矩阵,并将该矩阵作为联合优化网络的输入,捕获数据中的序列模式信息,计算异常得分。
(3)使用联合基于预测和基于重构模型的优化网络计算异常分数,得到大坝部位异常情况的具体步骤如下:
(3.1)使用两个判别器D
(3.2)运用多层感知机(MLP)作为预测模块,使用在时间t处的输入
结合步骤(3.1)中得到的重构损失函数,联合优化的损失函数为
(3.3)对于第i个大坝安全监测单变量时间序列,在任一时间戳t处,预测模块生成预测值
基于时空图的大坝安全监测多元时间序列异常检测系统,包括:构建变量特征图、构建时间特征图、变量图注意力层、时间图注意力层和联合优化五个模块;
构建变量特征图模块,为大坝安全监测多元时间序列中的每个变量设置一个嵌入向量,根据嵌入向量计算变量间的相关性后,针对任意一个变量i选择与其相似度最大的前K个邻居变量,在空间图中将变量i与邻居变量进行连接,构建变量特征图;
构建时间特征图模块,为输入滑动窗口内时间序列的每个时间点设置一个嵌入向量并引入位置编码,计算不同时间点嵌入向量之间的相似性后,针对任一时间戳的数据,选择与其相似度最大的前K个邻居时间点,用边连接起来,构建时间特征图;
变量图注意力层模块,输入变量特征图,利用多头注意力对大坝安全监测时间序列之间的变量依赖性进行建模,加入指标内和指标间注意力捕捉不同时间序列之间的指标相关性;
时间图注意力层模块,输入时间特征图,结合位置编码并利用多头注意力聚合邻居节点的信息更新每个时间点的特征表示;
变量图注意力层模块的输出是一个N×ω维的矩阵,时间图注意力层模块的输出是一个ω×N维的矩阵;将上述变量图注意力层模块和时间图注意力层模块的输出与输入滑动窗口内的时间序列进行拼接,构成一个ω×N维的矩阵,并将该矩阵作为联合优化模块的输入,捕获数据中的序列模式信息,计算异常得分。
联合优化模块,结合基于重构和基于预测模型的优点,在重构模块捕获大坝安全监测输入数据的分布并在预测模块预测下一个时间戳处的值,联合优化损失函数并计算大坝当前部位的异常分数。
显然,本领域的技术人员应该明白,上述的本发明实施例的基于时空图的大坝安全监测多元时间序列异常检测方法各步骤或基于时空图的大坝安全监测多元时间序列异常检测系统各模块可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明实施例不限制于任何特定的硬件和软件结合。
参数设置和实验评价指标如下:
A参数设置
以下为影响模型性能的参数:图结构邻居节点数目K,数据集嵌入向量的维度d设置,滑动窗口大小w,超参数γ
构造图结构时,邻居节点个数K值均设置为30;滑动窗口大小与时间序列的长度和采样频率等有关,滑动窗口大小为70时效果最好;联合优化模块超参数γ
B实验评价指标
以下为本发明实施例的具体评价指标:使用异常检测任务中的标准评估指标,即精确率(Precision)、召回率(Recall)和F1分数(F1-score),来比较本发明提出方法与其他异常检测算法之间的差别。
根据以上实施例可知,本发明的方法利用图结构学习层通过嵌入向量来表征图中每个节点的固有属性,分别构建大坝安全监测多元时间序列时间维度和变量维度上的图结构,显式地捕获时间维度和变量维度的依赖关系。图注意力层则进一步学习和表征这种关系,通过改进的注意力机制捕获大坝安全监测指标内和指标间的线性和非线性依赖。最后,联合优化基于预测和重构两种模型的优点,提高模型稳健性,使用异常分数来识别和定位大坝异常。本发明的方法可以提高大坝安全监测多元时间序列异常检测的精确率与召回率。
机译: 具有用于监测流量异常的相同方法的流量监测器流体供应系统异常检测的基于压力的流量控制装置
机译: 基于3D建模的大坝安全管理坝安全组成维护控制方法和系统
机译: 结合基于监督学习的预警分析和基于非监督学习的异常检测的智能安全控制系统及其方法