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！

龙图腾网获悉福建师范大学申请的专利基于时空因果图的多元时序数据异常根因识别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：CN120850182B 。

龙图腾网通过国家知识产权局官网在2026-01-23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：202511369693.6，技术领域涉及：G06F18/2433；该发明授权基于时空因果图的多元时序数据异常根因识别方法是由许力;曾钻洋;李家印;叶阿勇;林丽美;汪晓丁;张柳明设计研发完成，并于2025-09-24向国家知识产权局提交的专利申请。

本基于时空因果图的多元时序数据异常根因识别方法在说明书摘要公布了：本发明涉及一种基于时空因果图的多元时序数据异常根因识别方法，属于异常检测技术领域。所述方法，对多元时序数据，采用多窗口膨胀因果卷积，结合互信息筛选，提取同时覆盖短期突变与长时依赖的时间嵌入；利用多头自注意力学习非局部空间关联，再以条件熵度量方向性因果强度，并通过归一化‑剪枝生成稀疏、可解释的时空因果图；在时空因果图上引入因果增强图注意力网络，对节点嵌入进行多轮因果传播更新；综合异常程度与因果影响力计算根因评分，识别出异常传播路径中的关键源节点，实现系统异常的精准根因定位。本发明增强了对动态行为模式的适应性和对异常驱动因子的捕捉能力，提升了异常传播过程的建模精度与根因识别能力。

本发明授权基于时空因果图的多元时序数据异常根因识别方法在权利要求书中公布了：1.一种基于时空因果图的多元时序数据异常根因识别方法，其特征在于，包括： S1、基于膨胀卷积和互信息筛选的多尺度时间特征提取：对多元时序数据通过不同膨胀率的因果卷积通道并行提取特征，计算各因果卷积通道输出与目标变量之间的条件互信息，对因果卷积通道进行加权，获得信息量最大且冗余最小的多尺度时序嵌入；假设共有N个传感器节点即N条时序变量，使用索引i∈{1,2,…,N}来代表任意一个变量； S2、基于空间关联学习与时空因果图构建：基于多头自注意力机制构建空间依赖学习结构，学习潜在的非局部变量间空间关联结构；同时，引入条件熵作为因果强度度量指标，对变量间的时间方向性因果关系进行建模，构建稀疏时空因果图；具体的，引入因果熵对变量间潜在因果关系进行度量，因果熵用于评估变量i对变量j的未来状态所产生的不确定性减弱程度，依据节点时间–空间融合表示，采用条件熵计算变量i对变量j的方向性因果影响，定义如下： 其中，分别是变量i和j的具体取值，条件熵的值越小，代表i对j的因果 影响越强；构建归一化因果强度指标：；为提升因果图结构的可解释性与 稀疏性，引入阈值筛选边权，构造稀疏时空因果图邻接矩阵： 其中，当超过阈值τ时保留并赋权，否则置零; S3、时空因果图的异常检测与根因定位：构建因果增强图神经网络，在稀疏时空因果图 上，将传感器节点的时间嵌入特征与因果边权同时传播，从自身异常性与外部影响力两维 度刻画节点的重要程度，并通过构建异常评分函数与根因评分函数，实现系统的异常传感 器节点识别与根因变量的定位；具体的，在稀疏时空因果图上，将传感器节点的时间嵌入特 征与因果边权同时传播，得到传感器节点i的最终特征嵌入表示； 异常评分函数构建如下： 定义传感器节点i的异常评分，用于度量传感器节点i在全局因果图中的异常程度，采 用重构误差或嵌入扰动敏感度作为指标，异常评分函数的定义为： 其中，表示所有传感器节点的平均嵌入，用于衡量传感器节点i在嵌入 空间中与正常分布中心的偏离程度，表示传感器节点i的最终特征嵌入表示；引入因果 驱动力指标，利用稀疏时空因果图的归一化边权，度量节点对外部节点的累计因果输出 强度； 根因评分函数表示： 其中，为因果输出强度，根因评分函数具有如下解释性：按从大到小排序，取 前K个节点作为触发系统异常的关键根因。

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福建师范大学，其通讯地址为：350117 福建省福州市闽侯县上街镇学府南路8号福建师范大学旗山校区；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”。

以上内容由龙图腾AI智能生成。