来源：期刊VIP网 时间：
作者：郑圣彬;谢加良;张东晓;
单位：集美大学理学院;
摘要：在时序数据中发现隐藏的异常行为或事件，可以保障生产安全，具有重要意义。目前的异常检测模型存在训练不稳定、容易产生梯度消失的问题，影响异常检测效果，针对该问题，提出一种LSTM-WGAN模型，WGAN负责捕获变量之间的潜在关联，进一步提升了LSTM的检测能力。同时，以Wasserstein距离代替交叉熵损失训练判别器和生成器，结合重构损失以及判别损失实现异常检测。在NAB公开数据集上的实验结果表明LSTM-WGAN相较于基准模型在准确率、召回率以及F1得分上都有较大幅度的提升。
关键词：异常检测;;时间序列;;生成对抗网络;;长短期记忆网络;;Wasserstein距离
基金资助：国家自然科学基金资助项目(12271211、12071179);; 福建省自然基金资助项目(2020J01710、2021J01861)
