買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉中國礦業大學申請的專利一種基于增量學習的時間序列異常檢測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120449062B 。

龍圖騰網通過國家知識產權局官網在2025-08-29發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510947450.X，技術領域涉及：G06F18/2433；該發明授權一種基于增量學習的時間序列異常檢測方法是由閆秋艷;李博雪;姜竹郡;佟毓來設計研發完成，并于2025-07-10向國家知識產權局提交的專利申請。

本一種基于增量學習的時間序列異常檢測方法在說明書摘要公布了：本發明涉及一種基于增量學習的時間序列異常檢測方法，屬于異常檢測技術領域，解決了現有技術中異常檢測不準確的問題。方法包括：構建異常檢測模型，用于提取輸入數據的時空依賴性特征，基于時空依賴性特征進行樣本重構；基于小批量存量樣本對異常檢測模型進行預熱訓練；構建動態記憶池，用于存儲舊樣本和對應的時空依賴性特征；獲取新增的正常時間序列數據得到新增樣本；基于新增樣本和動態記憶池對異常檢測模型進行增量學習訓練并更新所述動態記憶池，得到訓練好的異常檢測模型；將待檢測時間序列數據輸入訓練好的異常檢測模型，基于異常檢測模型輸出結果的重構誤差和特征距離計算異常評分，得到異常檢測結果。實現了準確的異常檢測。

本發明授權一種基于增量學習的時間序列異常檢測方法在權利要求書中公布了：1.一種基于增量學習的時間序列異常檢測方法，其特征在于，包括以下步驟： 構建異常檢測模型，所述異常檢測模型用于提取輸入數據的時空依賴性特征，基于所述時空依賴性特征進行樣本重構；基于小批量存量樣本對所述異常檢測模型進行預熱訓練； 構建動態記憶池，所述動態記憶池用于存儲舊樣本和對應的時空依賴性特征； 獲取新增的正常時間序列數據得到新增樣本； 基于所述新增樣本和所述動態記憶池對所述異常檢測模型進行增量學習訓練并更新所述動態記憶池，得到訓練好的異常檢測模型； 將待檢測時間序列數據輸入所述訓練好的異常檢測模型，基于異常檢測模型輸出結果的重構誤差和特征距離計算異常評分，得到異常檢測結果; 所述異常檢測模型包括： 序列分解模塊，用于將輸入數據分解為季節分量和趨勢分量； 時空編碼器模塊，用于對所述季節分量和趨勢分量分別進行時空特征編碼，得到季節分量和趨勢分量對應的時空依賴性特征； 重構模塊，用于基于季節分量和趨勢分量對應的時空依賴性特征進行樣本重構; 時空編碼器包括： 分塊模塊，用于分別對季節分量和趨勢分量進行分塊，并提取每個分塊的特征表示，得到分塊表示的季節分量和趨勢分量； 時間建模模塊，用于分別對分塊表示的季節分量和趨勢分量進行時間卷積，得到季節分量和趨勢分量對應的時間依賴性特征： 空間建模模塊，用于分別對季節分量和趨勢分量對應的時間依賴性特征進行變量維度間的空間依賴關系建模，得到季節分量和趨勢分量對應的時空依賴性特征; 所述空間建模模塊包括： 第一圖卷積網絡，用于采用圖卷積對季節分量對應的時間依賴性特征進行變量維度間的空間依賴關系建模，得到季節分量的時空依賴性特征；所述第一圖卷積網絡的節點數量為季節分量的時間依賴性特征的第二維度，每個節點的輸入特征為該節點對應的第三維度的特征； 第二圖卷積網絡，用于采用圖卷積對趨勢分量對應的時間依賴性特征進行變量維度間的空間依賴關系建模，得到趨勢分量的時空依賴性特征；所述第二圖卷積網絡的節點數量為趨勢分量的時間依賴性特征的第二維度，每個節點的輸入特征為該節點對應的第三維度的特征; 所述第一圖卷積網絡采用多層殘差結構；采用以下方式對季節分量對應的時間依賴性特征進行空間依賴關系建模： ； ； 其中，表示第一圖卷積網絡第一層圖卷積輸出的特征，表示季節分量的時間依賴性特征，表示第一圖卷積網絡第層圖卷積輸出的特征，表示第一圖卷積網絡第層圖卷積輸出的特征，表示圖卷積編碼器。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人中國礦業大學，其通訊地址為：221116 江蘇省徐州市銅山區大學路1號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。