paddlets.models.anomaly.dl.mtad_gat
基于图注意力网络的多元时间序列异常检测模型的实现。
部分代码参考了：https://github.com/ML4ITS/mtad-gat-pytorch。
- 网络结构：
作者提出了一个多变量时间序列异常检测框架命名为MTAD-GAT，主要包括1个1维的卷积层，两个并行的GAT层、1个GRU层、1个全链接层和1个自动编码器-解码器层：
1维卷积层：提取时间序列高维特征。
2个并行的GAT层：捕获时间序列的特征和时序关系。
GRU层：融合卷积层和GAT层的特征来捕获序列模式。
全连接层：实现基于预测的异常检测模型。
编码-解码层：实现基于重构的异常检测模型。
- class MTADGAT(in_chunk_len: int, sampling_stride: int = 1, loss_fn: ~typing.Callable[[...], ~paddle.Tensor] = <function mse_loss>, optimizer_fn: ~typing.Callable[[...], ~paddle.optimizer.optimizer.Optimizer] = <class 'paddle.optimizer.adam.Adam'>, threshold_fn: ~typing.Callable[[...], float] = <function epsilon_th>, q: float = 100, threshold: ~typing.Optional[float] = None, threshold_coeff: float = 1.0, anomaly_score_fn: ~typing.Optional[~typing.Callable[[...], ~typing.List[float]]] = None, pred_adjust: bool = True, pred_adjust_fn: ~typing.Callable[[...], ~numpy.ndarray] = <function result_adjust>, optimizer_params: ~typing.Dict[str, ~typing.Any] = {'learning_rate': 0.001}, callbacks: ~typing.List[~paddlets.models.common.callbacks.callbacks.Callback] = [], batch_size: int = 256, max_epochs: int = 100, verbose: int = 1, patience: int = 10, seed: ~typing.Union[None, int] = None, target_dims: ~typing.Optional[~typing.List[int]] = None, kernel_size: int = 7, feat_gat_embed_dim: ~typing.Union[None, int] = None, time_gat_embed_dim: ~typing.Union[None, int] = None, use_gatv2: bool = False, use_bias: bool = False, gru_n_layers: int = 1, gru_hid_size: int = 150, forecast_n_layers: int = 1, forecast_hid_size: int = 150, recon_n_layers: int = 1, recon_hid_size: int = 150, dropout: float = 0.2, alpha: float = 0.2)[源代码]
-
基于图注意网络的多维时间序列异常检测模型。
- 参数
in_chunk_len (int) – 模型输入的时间序列长度。
sampling_stride (int) – 相邻样本间的采样间隔。
loss_fn (Callable[..., paddle.Tensor]) – 损失函数。
optimizer_fn (Callable[..., Optimizer]) – 优化器算法。
threshold_fn (Callable[..., float]|None) – 获取异常阈值的方法。
q (float) – 用于计算分位数的参数，取值范围0到100。
threshold (float|None) – 判断异常的阈值。
anomaly_score_fn (Callable[..., List[float]]|None) – 获取异常分数的方法。
pred_adjust (bool) – 是否根据实际标签调整预测结果。
pred_adjust_fn (Callable[..., np.ndarray]|None) – 调整预测结果的方法。
optimizer_params (Dict[str, Any]) – 优化器参数。
eval_metrics (List[str]) – 模型的评估指标。
callbacks (List[Callback]) – 自定义的callback函数。
batch_size (int) – 每个批次中的样本数量。
max_epochs (int) – 训练过程中的最大迭代轮数。
verbose (int) – 模型日志模式。
patience (int) – 模型训练过程中, 当评估指标超过一定轮数不再变优，模型提前停止训练。
seed (int|None) – 全局随机种子，注: 保证每次模型参数初始化一致。
target_dims (Optional[List[int]]) – 用于预测和重建模型的目标列。
kernel_size (int) – 卷积核大小。
feat_gat_embed_dim (Optional[int]) – 在特征维度GAT层中线性变换的输出维数。
time_gat_embed_dim (Optional[int]) – 在时间维度GAT层中线性变换的输出维数。
use_gatv2 (bool) – 是否使用GATv2。
use_bias (bool) – 在attention层中是否使用偏置。
gru_n_layers (int) – GRU层中的层数。
gru_hid_size (int) – GRU层中隐层的大小。
forecast_n_layers (int) – 基于预测的模型中的全连接层数。
forecast_hid_size (int) – 基于预测的模型中的隐层节点数。
recon_n_layers (int) – 基于重建的模型中的层数。
recon_hid_size (int) – 基于重建的模型中的隐层节点数。
dropout (float) – dropout参数。
alpha (float) – leakyrelu激活函数中的参数。
- _in_chunk_len
模型输入的时间序列长度。
- Type
int
- _sampling_stride
相邻样本间的采样间隔。
- Type
int
- _loss_fn
损失函数。
- Type
Callable[…, paddle.Tensor]
- _optimizer_fn
优化器算法。
- Type
Callable[…, Optimizer]
- _threshold_fn
获取异常阈值的方法。
- Type
Callable[…, float]|None)
- _q
用于计算分位数的参数，取值范围0到100。
- Type
float
- _threshold
判断异常的阈值。
- Type
float|None
- _anomaly_score_fn
获取异常分数的方法。
- Type
Callable[…, List[float]]|None
- _pred_adjust
是否根据实际标签调整预测结果。
- Type
bool
- _pred_adjust_fn
调整预测结果的方法。
- Type
Callable[…, np.ndarray]|None
- _optimizer_params
优化器参数。
- Type
Dict[str, Any]
- _eval_metrics
模型的评估指标。
- Type
List[str]
- _batch_size
每个批次中的样本数量。
- Type
int
- _max_epochs
训练过程中的最大迭代轮数。
- Type
int
- _verbose
模型日志模式。
- Type
int
- _patience
模型训练过程中, 当评估指标超过一定轮数不再变优，模型提前停止训练。
- Type
int
- _seed
全局随机种子，注: 保证每次模型参数初始化一致。
- Type
int|None
- _stop_training
Training status.
- Type
bool
- _target_dims
用于预测和重建模型的目标列。
- Type
Optional[List[int]]
- _kernel_size
卷积核大小。
- Type
int
- _feat_gat_embed_dim
在特征维度GAT层中线性变换的输出维数。
- Type
Optional[int]
- _time_gat_embed_dim
在时间维度GAT层中线性变换的输出维数。
- Type
Optional[int]
- _use_gatv2
是否使用GATv2。
- Type
bool
- _use_bias
在attention层中是否使用偏置。
- Type
bool
- _gru_n_layers
GRU层中的层数。
- Type
int
- _gru_hid_size
GRU层中隐层的大小。
- Type
int
- _forecast_n_layers
基于预测的模型中的全连接层数。
- Type
int
- _forecast_hid_size
基于预测的模型中的隐层节点数。
- Type
int
- _recon_n_layers
基于重建的模型中的层数。
- Type
int
- _recon_hid_size
基于重建的模型中的隐层节点数。
- Type
int
- _dropout
dropout参数。
- Type
float
- _alpha
leakyrelu激活函数中的参数。
- Type
float