典型文献
基于图注意力机制和Transformer的异常检测
文献摘要：
异常检测对电力行业的发展有着重要的影响,如何根据大规模电力数据进行异常检测是重要的研究热点.目前,大多数研究通过聚类或神经网络进行异常检测.但是这些方法忽略了时序数据之间潜在的关联关系及某些特点的重要信息,没有充分挖掘出数据的潜在价值.因此,提出了一种基于图注意力和Transformer的异常检测模型.该模型首先根据数据中台中获取的电力数据(主要包括用户ID、电能表ID、用户类型、电流、电压、功率等数据)构建一个异构信息网络;然后,为了减少模型参数和避免出现过拟合的现象,在图卷积网络(Graph Convolutional Network,GCN)模型的基础上,引入非负矩阵分解(Non-Negative Matrix Factorization,NNMF)的方法来进行相似性学习;最后采用图注意力网络(Graph Attention Network,GAT)和Transformer共同捕获数据间的相互关联关系,从而提高检测精度.以中国某地区的电力数据为基础进行验证,实验结果表明所提出的方法可以有效进行异常检测.
文献关键词：
异常检测;异构信息网络;相似性学习;图注意力网络;Transformer
中图分类号：
作者姓名：
严莉;张凯;徐浩;韩圣亚;刘珅岐;史玉良
作者机构：
国网山东省电力公司信息通信公司,山东济南250013;山东大学软件学院,山东济南250101
文献出处：
引用格式：
[1]严莉;张凯;徐浩;韩圣亚;刘珅岐;史玉良-.基于图注意力机制和Transformer的异常检测)[J].电子学报,2022(04):900-908
A类：
NNMF
B类：
图注意力机制,Transformer,异常检测,电力行业,电力数据,时序数据,关联关系,重要信息,挖掘出,潜在价值,检测模型,数据中台,ID,电能表,用户类型,异构信息网络,避免出现,过拟合,图卷积网络,Graph,Convolutional,Network,GCN,非负矩阵分解,Non,Negative,Matrix,Factorization,相似性学习,图注意力网络,Attention,GAT,相互关联,高检,检测精度,某地区
AB值：
0.371077
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
