物联网时代下,操作员可以通过分析传感器等相关设备产生的多元时序数据,及时检测出时序数据中存在的异常,从而排除设备故障,以确保设备正常运行,避免异常造成的损失。然而,由于多元时序数据之间存在复杂的变化模式,多元时序异常检测面临很大的挑战。目前,主流的多元时序异常检测方法大多只考虑时序数据在时间上的依赖关系,或者大多专注于对原始时序数据进行精准重构,而忽略了多元时序数据之间存在的隐藏联系,这制约了多元时序异常检测性能,也不利于定位异常根因。针对现有多元时序异常检测方法存在的问题,提出一种基于图神经网络的多元时序异常检测模型SGAT-AE,其包括基于自学习图注意力的预测模型（Self-learning Graph ATtention network,SGAT）、自编码器（Auto-Encoder,AE）以及两者之间的对抗训练三部分。其中,预测模型采用自学习图构建出变量间的隐藏拓扑依赖关系,并采用注意力网络提取多元时序之间的依赖关系。自编码器学习数据正常模式的潜在表示以重构输入数据。核心思想是通过对预测模型和自编码器进行对抗训练,预测模型作为生成器用于生成样本以迷惑自编码器,而自编码器作为判别器以识别输入数据是真实样本还是来自预测模型的生成样本。对抗训练既可以提高预测模型的预测精度,又可以避免自编码器过拟合现象,达到放大异常数据对应误差的效果。在推理阶段,通过聚合预测模型的预测误差、自编码器的重构误差以及对抗误差三部分计算异常分数以判断测试数据是否为异常。除此以外,还提出一种基于图结构的异常解释方式,对于判定为异常的数据,依据自学习出的图结构,理清多元时序之间的依赖关系,从局部与全局两个视角对异常进行解释,以便快速定位根因。在5个公开数据集上与8种流行的模型进行了大量对比实验,结果表明提出的多元时序异常检测模型SGAT-AE优于其他对比模型。其中,F1分数在5个数据集上的平均提升为0.123,在WADI数据集上最大提升为0.445。同时,通过案例分析表明提出的基于图结构的异常解释方式可以帮助用户迅速定位异常根因。