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！

龙图腾网恭喜广东工业大学申请的专利一种基于GCN-LSTM和注意力机制的异常检测方法及系统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：CN115168443B 。

龙图腾网通过国家知识产权局官网在2025-05-02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：202210719478.4，技术领域涉及：G06F16/2458；该发明授权一种基于GCN-LSTM和注意力机制的异常检测方法及系统是由郭炜彬;陈家辉;石林;叶臻强;黄浩楠设计研发完成，并于2022-06-23向国家知识产权局提交的专利申请。

本一种基于GCN-LSTM和注意力机制的异常检测方法及系统在说明书摘要公布了：本发明公开了一种基于GCN‑LSTM和注意力机制的异常检测方法及系统，涉及人工智能检测技术领域，包括以下步骤：S1.构建结合了GCN网络和LSTM网络的GCN‑LSTM模型，并构建基于GCN‑LSTM模型的序列重构模型；S2.对得到的序列重构模型进行训练和测试，得到测试好的序列重构模型；S3.将待检测数据序列以时序排列，输入训练好的序列重构模型中，生成重构序列；S4.构建误差序列，并将误差序列分为训练数据集和测试数据集两部分；S5.构建基于Copula函数的异常检测模型，并将训练数据集输入异常检测模型中进行训练；S6.将测试数据集输入训练好的异常检测模型，得到测试集异常序列数据检测结果。本发明解决了现有技术应用场景小、无法利用多维特征的问题，且具有结果准确，步骤清晰的特点。

本发明授权一种基于GCN-LSTM和注意力机制的异常检测方法及系统在权利要求书中公布了：1.一种基于GCN-LSTM和注意力机制的异常检测方法，其特征在于，包括以下步骤：S1.构建结合了GCN网络和LSTM网络的GCN-LSTM模型，并构建基于GCN-LSTM模型的序列重构模型；所述的序列重构模型为融入了注意力模型的基于GCN-LSTM模型的编码器-解码器模型；S2.对得到的序列重构模型进行训练和测试，得到测试好的序列重构模型；S3.将待检测数据序列以时序排列并输入训练好的序列重构模型中，通过编码器提取待检测数据序列的特征，并通过注意力模型得到待检测数据序列的特征的加权向量，最后通过解码器结合特征与加权向量生成重构序列；在所述步骤S3中，将待检测数据序列以时序排列并输入训练好的序列重构模型中，通过编码器提取待检测数据序列的特征，并通过注意力模型得到待检测数据序列的特征的加权向量，最后通过解码器结合特征与加权向量生成重构序列的过程具体为;S301.获取待检测数据序列，将待检测数据序列以时序排列，将排列好的待检测数据序列输入序列重构模型中的编码器-解码器模型中的编码器，通过编码器提取待检测数据序列的特征；在所述步骤S301中，将排列好的待检测数据序列输入序列重构模型中的编码器-解码器模型中的编码器，通过编码器提取待检测数据序列的特征的过程具体为：A1.设初始时间，其中s为待检测数据序列时长，t为时间变量，将排列好的待检测数据序列表示为待检测数据序列；A2.结合GCN网络的边集合E，通过第1个GCN-LSTM模型的GCN网络单元提取待检测数据序列中数据的空间特征，将得到的空间特征输入第1个GCN-LSTM模型的LSTM网络中提取其时间特征并得到的隐藏层状态；将得到的隐藏层状态输入下一个GCN-LSTM模型中；A3.结合上一个GCN-LSTM模型得到的隐藏层状态和GCN网络的边集合E，通过第2个GCN-LSTM模型的GCN网络提取待检测数据序列中数据的空间特征，将得到的空间特征输入第2个GCN-LSTM模型的LSTM网络中，提取其时间特征并得到的隐藏层状态；将得到的隐藏层状态输入下一个GCN-LSTM模型中；以此递进，直到得到整个待检测数据序列的隐藏层状态，将整个待检测数据序列的隐藏层状态整理为特征的序列；S302.将特征的序列输入注意力模型，通过注意力模型以分配权重的方式计算得到加权向量；在所述的步骤S302中，将特征的序列输入注意力模型，通过注意力模型以分配权重的方式计算得到加权向量的过程具体为：B1.将特征的序列输入注意力模型，计算当前时刻对应各个历史时刻的时间注意力权重向量，具体表示为： 其中，是可训练权重矩阵；是注意力权重的偏置向量；表示激活函数；最后有： 其中，为第时刻的注意力权重值；B2.通过softmax函数对得到的各个时间的注意力权重系数进行归一化处理，得到时间注意力权重，有： ： =B3.将得到时间注意力权重与其对应的特征的序列进行加权，得到加权向量，具体表示为： S303.将特征结合加权向量输入到解码器中，通过解码器解码得到重构序列；S4.将重构序列和待检测数据序列作差，构建误差序列，并将误差序列分为训练数据集和测试数据集两部分；S5.构建基于Copula函数的异常检测模型，并将训练数据集输入异常检测模型中进行训练；S6.将测试数据集输入训练好的异常检测模型进行异常检测，得到测试集异常序列数据检测结果。

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广东工业大学，其通讯地址为：510090 广东省广州市越秀区东风东路729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”。