F1 0.935 高检出
联合时空特征学习显著提升建筑用电异常检测精度与稳定性，并具备良好的泛化能力。
孔军 · Wen, Jiang · Qing, Tian · 蒋敏 · Liu, Tianshan
Applied Energy 2023
通过多尺度图卷积网络提取建筑用电数据中短期相关特征和长期规律特征，弥补了现有方法忽略空间特征的不足。
采用多尺度普通卷积结构从用电数据中提取多尺度时间序列信息，增强了模型对不同时间模式的表征能力。
实验表明模型在处理数据极端不平衡时表现出良好稳定性，适合实际用电数据中异常样本稀少的情况。
通过实验证明模型具有泛化能力，可以迁移到其他数据集，降低了在新场景部署时的重新训练成本。