买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国矿业大学申请的专利一种基于增量学习的时间序列异常检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120449062B 。

龙图腾网通过国家知识产权局官网在2025-08-29发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510947450.X，技术领域涉及：G06F18/2433；该发明授权一种基于增量学习的时间序列异常检测方法是由闫秋艳;李博雪;姜竹郡;佟毓来设计研发完成，并于2025-07-10向国家知识产权局提交的专利申请。

本一种基于增量学习的时间序列异常检测方法在说明书摘要公布了：本发明涉及一种基于增量学习的时间序列异常检测方法，属于异常检测技术领域，解决了现有技术中异常检测不准确的问题。方法包括：构建异常检测模型，用于提取输入数据的时空依赖性特征，基于时空依赖性特征进行样本重构；基于小批量存量样本对异常检测模型进行预热训练；构建动态记忆池，用于存储旧样本和对应的时空依赖性特征；获取新增的正常时间序列数据得到新增样本；基于新增样本和动态记忆池对异常检测模型进行增量学习训练并更新所述动态记忆池，得到训练好的异常检测模型；将待检测时间序列数据输入训练好的异常检测模型，基于异常检测模型输出结果的重构误差和特征距离计算异常评分，得到异常检测结果。实现了准确的异常检测。

本发明授权一种基于增量学习的时间序列异常检测方法在权利要求书中公布了：1.一种基于增量学习的时间序列异常检测方法，其特征在于，包括以下步骤： 构建异常检测模型，所述异常检测模型用于提取输入数据的时空依赖性特征，基于所述时空依赖性特征进行样本重构；基于小批量存量样本对所述异常检测模型进行预热训练； 构建动态记忆池，所述动态记忆池用于存储旧样本和对应的时空依赖性特征； 获取新增的正常时间序列数据得到新增样本； 基于所述新增样本和所述动态记忆池对所述异常检测模型进行增量学习训练并更新所述动态记忆池，得到训练好的异常检测模型； 将待检测时间序列数据输入所述训练好的异常检测模型，基于异常检测模型输出结果的重构误差和特征距离计算异常评分，得到异常检测结果; 所述异常检测模型包括： 序列分解模块，用于将输入数据分解为季节分量和趋势分量； 时空编码器模块，用于对所述季节分量和趋势分量分别进行时空特征编码，得到季节分量和趋势分量对应的时空依赖性特征； 重构模块，用于基于季节分量和趋势分量对应的时空依赖性特征进行样本重构; 时空编码器包括： 分块模块，用于分别对季节分量和趋势分量进行分块，并提取每个分块的特征表示，得到分块表示的季节分量和趋势分量； 时间建模模块，用于分别对分块表示的季节分量和趋势分量进行时间卷积，得到季节分量和趋势分量对应的时间依赖性特征： 空间建模模块，用于分别对季节分量和趋势分量对应的时间依赖性特征进行变量维度间的空间依赖关系建模，得到季节分量和趋势分量对应的时空依赖性特征; 所述空间建模模块包括： 第一图卷积网络，用于采用图卷积对季节分量对应的时间依赖性特征进行变量维度间的空间依赖关系建模，得到季节分量的时空依赖性特征；所述第一图卷积网络的节点数量为季节分量的时间依赖性特征的第二维度，每个节点的输入特征为该节点对应的第三维度的特征； 第二图卷积网络，用于采用图卷积对趋势分量对应的时间依赖性特征进行变量维度间的空间依赖关系建模，得到趋势分量的时空依赖性特征；所述第二图卷积网络的节点数量为趋势分量的时间依赖性特征的第二维度，每个节点的输入特征为该节点对应的第三维度的特征; 所述第一图卷积网络采用多层残差结构；采用以下方式对季节分量对应的时间依赖性特征进行空间依赖关系建模： ； ； 其中，表示第一图卷积网络第一层图卷积输出的特征，表示季节分量的时间依赖性特征，表示第一图卷积网络第层图卷积输出的特征，表示第一图卷积网络第层图卷积输出的特征，表示图卷积编码器。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国矿业大学，其通讯地址为：221116 江苏省徐州市铜山区大学路1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。