时间序列异常检测旨在发现对应时序特征中不符合一般规律的特殊模式,是机器学习领域的经典问题,无论在学术界或工业界都具有重大意义。在现代城市综合管廊智能运维项目中,为了提高管廊的综合治理能力和运维效率,需要对涉及的生产过程进行持续监控,监控方法是通过传感器不断采集关键的时间序列数据,然后对其进行实时的建模分析,及时发现异常并作出预防措施。而随着我国城市综合管廊的建设逐渐趋于自动化、大型化、系统化,所采集的时间序列数据日趋复杂,呈现出数据量大、非线性等特点。传统方法计算效率较低、不能捕获长时间序列相关性,且不擅长高维时序数据建模,逐渐难以应对这样的复杂场景,如何高效、准确地对这些海量时间序列数据进行异常检测,已成为亟需解决的问题。本文以城市综合管廊时间序列数据为研究对象,研究无监督的时间序列异常检测方法,并构建城市综合管廊时序数据异常检测原型系统,主要工作内容如下:1.针对现有时序数据异常检测模型计算效率低、难以有效挖掘长时间序列远程相关性的问题,提出了一种基于长时间序列预测的异常检测模型。通过卡尔曼滤波降低数据冗余性,使用膨胀因果卷积捕获相邻时间序列之间的局部相关性,使用改进的稀疏自注意力机制学习长距离时间序列的远程相关性。与传统异常检测模型相比,建模阶段使用完全由注意力机制组成的网络结构能够有效降低时间消耗,并且由于能够捕获时间序列的局部相关性和远程相关性,提高了异常检测精度。2.针对现有时序数据异常检测模型维护成本高、难以有效利用多维时序变量之间依赖关系的问题,提出了一种基于生成对抗网络的多维时间序列异常检测模型。使用所提出的长时间序列预测模型捕获正常状态下的时序相关性,将其嵌入到生成对抗的框架中,并充分利用生成器和判别器,通过判别结果和重建误差来检测异常。所提出的多维时间序列异常检测模型并不是单独处理每个数据流,而是同时考虑整个变量集来捕捉变量之间的潜在交互作用,并且训练好的模型能够适配于多个管廊子系统,使其具备了可扩展性,降低了模型维护开销。3.结合上述两种时间序列异常检测模型,采用前后端分离技术,设计并实现了面向城市综合管廊的时序数据异常检测原型系统。该系统主要使用所提出的异常检测模型,实现管廊时间序列数据的预测及异常检测功能,同时提供运维信息管理、管廊数据可视化、预警报警等功能,以方便运维人员实时了解管廊现场状态、及时在事故发生时采取应对措施,验证了所提模型的可行性。