TRAdetector 时序异常检测模型

解耦可解释

针对物联网时序信号显式解耦季节、趋势与残差，用变分推断强化概率引导，以稀疏编码建模突变，通过多头交叉注意力捕捉成分交互，实现可解释的异常识别，在多个基准上全面领先。

张亮 · Jianping, Zhu · 韩光洁 · 金博 · 王鹏飞 · 魏小鹏

IEEE Internet of Things Journal 2025

技术优势

异常不再互相掩盖

把季节、趋势和残差成分显式拆开建模，异常在对应成分中更突出，不容易被规律波动淹没。

误报更少

对残差成分施加稀疏编码，直接建模不一致的时序波动，使检测更聚焦于真实异常，减少随机噪声触发的虚警。

可解释的检测结果

通过多头交叉注意力捕捉不同成分间的交互，并采用门控分解感知重建，让模型能指出异常主要来自哪个成分。

应用场景

• 工业设备监控：对设备振动、电流等时序信号实时解耦监测，精准定位异常类型，减少计划外停机。
• 智能家居异常检测：识别用电、用水等传感器数据中的规律性波动与突发异常，提升家庭安全告警准确率。
• 可穿戴健康监测：从可穿戴设备的连续生理信号中分离趋势与突变，提早发现心律失常等健康风险。
• 医疗物联网异常报警：在医疗传感器流中滤除正常生理波动，突出异常模式，辅助临床及时响应。
• 工业机器人状态监测：监测机器人关节力矩、温度等多维时序，分离趋势和异常残差，预警早期机械故障。