Page 331 - 《软件学报》2026年第2期

810 软件学报 2026 年第 37 卷第 2 期

可以看出本文方法在 0.05 的统计学水平上显著优于 KNN、SVC、AdaBoost、RF、CN、IT、Trans 和 Rocket 方
法. 与每个基准方法的一对一准确率对比结果也显示, 本文方法在大多数据集 (至少 10 个) 上异常检测准确率高
于或持平对比方法. 以上实验结果表明, 相较于现有的时间序列异常检测算法自动选择方法, 本文所提方法能在多
种不同领域和应用中选择具有更高检测准确率的算法, 体现了其优越性.

0.450 0.450
KDD21 KDD21
0.425 NAB 0.425 NAB
0.400 0.400
准确率 0.375 准确率 0.375
0.350
0.350
0.325 0.325
0.300 0.300
0.275
0.275
0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.75 0.80 0.85 0.90 0.95 1.00
t soft λ
(a) t soft (b) λ

图 5 本文方法在超参数 t soft 和 λ 的不同取值下的准确率

表 5 本文方法与基准方法的异常检测准确率对比

数据集 KNN SVC AdaBoost RF CN ResNet IT Trans Rocket Ours
Daphnet 0.119 7 0.188 8 0.119 7 0.185 4 0.244 5 0.299 4 0.312 9 0.307 0 0.139 7 0.287 3
ECG 0.684 2 0.684 2 0.684 2 0.684 2 0.615 4 0.671 7 0.618 7 0.617 6 0.684 2 0.689 7
Genesis 0.001 7 0.001 7 0.001 7 0.001 7 0.361 7 0.361 7 0.179 6 0.295 7 0.179 6 0.361 7
GHL 0.307 1 0.304 2 0.307 1 0.333 5 0.257 1 0.257 3 0.263 7 0.285 1 0.306 8 0.307 1
IOPS 0.073 4 0.180 7 0.073 4 0.068 6 0.273 2 0.276 5 0.223 5 0.271 4 0.143 0 0.309 0
KDD21 0.413 2 0.315 4 0.387 6 0.380 8 0.387 4 0.359 5 0.298 7 0.361 6 0.337 2 0.442 6
MGAB 0.614 0 0.012 2 0.012 2 0.012 2 0.614 0 0.614 0 0.614 0 0.614 0 0.614 0 0.614 0
MITDB 0.485 6 0.485 6 0.485 6 0.485 6 0.413 2 0.312 3 0.429 8 0.373 9 0.456 2 0.485 6
NAB 0.186 7 0.278 3 0.212 7 0.173 9 0.326 3 0.350 7 0.301 9 0.419 5 0.355 8 0.373 0
OPP 0.323 8 0.311 6 0.315 7 0.309 2 0.408 0 0.407 5 0.384 9 0.401 3 0.347 2 0.399 5
Sen.Sco. 0.285 7 0.294 1 0.275 5 0.294 1 0.335 0.336 5 0.335 0 0.319 1 0.252 1 0.384 4
SMD 0.247 9 0.349 7 0.227 8 0.335 8 0.500 4 0.485 7 0.483 2 0.481 9 0.317 5 0.457 6
SVDB 0.631 7 0.631 7 0.631 7 0.631 7 0.604 3 0.633 9 0.594 0 0.636 9 0.639 1 0.640 8
YAHOO 0.314 4 0.193 4 0.271 8 0.268 1 0.738 5 0.744 7 0.761 6 0.709 1 0.347 4 0.755 8
最佳次数 2 1 1 2 4 2 3 2 1 8
平均排名 6.36 6.89 7.00 6.89 4.96 4.36 5.5 4.71 5.89 2.43
Wilcoxon p值 0.003 3 0.001 4 0.002 2 0.002 1 0.049 4 0.063 6 0.011 7 0.015 6 0.001 4 －
一对一比较 (胜/平/负) 11/3/0 13/1/0 12/2/0 12/1/1 10/2/2 9/2/3 10/1/3 9/1/4 13/1/0 －

为了进一步验证本文所研究的算法自动选择方法的优越性和必要性, 将本文所提方法与表 4 中的异常检测算
法及其集成方法进行一对一准确率比较, 其中集成方法 AvgEnsemble 运行所有异常检测算法并以输出异常分数
的平均值作为最终检测结果. 从图 6(a)–(l) 中可以看出, 本文提出的时间序列异常检测算法自动选择方法在绝大多
数情况下准确率高于或持平单独使用一种异常检测算法, 且在准确率低于单个异常检测算法的情形中, 本文方法
的准确率也与被比较对象十分接近. 特别地, 图 6(m) 中的结果显示, 本文所提的算法自动选择方法在各个数据集
中一致地优于所有异常检测算法的集成方法. 这更加说明时间序列异常检测算法自动选择的必要性和本文方法的
有效性.