MARINA: An MLP-Attention Model for Multivariate Time-Series Analysis
随着人工智能运维(AIOps)和物联网(IoT)等实时监控应用的普及,产生了大量的时间序列数据。为了挖掘数据的潜在价值,产业界和学术界都迫切需要高效有效的时间序列分析方法。为此,提出一种基于多层感知机(MLP)注意力机制的多元时间序列分析模型MARINA。MARINA旨在同时学习多元时间序列之间的时间和空间相关性。此外,该模型是通用的,它适用于主要的时间序列分析任务,如预测和异常检测。通过与具有代表性的多变量时间序列预测和异常检测算法的广泛对比,MARINA在预测和异常检测任务中均取得了最先进的性能。
为了适应对有效时间序列分析方法的需求,本文提出了一种新的基于多层感知器(MLP)注意力的神经网络模型MARINA。该模型能够进行多变量预测和基于预测的异常检测。
MARINA分为3个模块,即时间模块、空间模块和输出整形模块。对于marina的时间模块,我们采用残差连接的MLP网络,考虑到[25]中报道的MLP的轻量级和显著的周期学习性能。空间模块利用图神经网络学习不同时间序列之间的相似性,并利用这种相关性来提高分析性能。 图学习的核心过程是消息通过描述节点间相关性的给定图进行传递。在时间序列上下文中,节点通常是一个时间序列。