一种基于多模型融合的时间序列异常检测方法

本发明公开了一种基于多模型融合的时间序列异常检测方法，适用于工业数据异常检测技术领域。该方法针对工业场景中多变量时间序列的复杂特性，提出一种名为DDI‑Net的异常检测模型，结合去噪扩散模型与Informer模型的优势，具体包括以下步骤：利用ProbSparse自注意力机制，实现了O(LlogL)的时间复杂度和内存使用效率，显著提升了计算效率；利用蒸馏自注意力机制，在N层堆叠结构中优先处理主导注意力得分，将总空间复杂度锐减至O((2‑∈)LlogL)；通过对比生成序列与原始序列的差异计算异常得分，实现精准检测。该方法在SMD、SWaT等5个工业数据集上F1分数最高达98.26％，训练效率较同类方法提升30％以上，同时减少内存消耗并加快训练速度，适用于工业系统实时监控与高维数据快速分析场景。