【免费下载】 TranAD：基于Transformer的时间序列异常检测项目指南

项目概述

TranAD 是一个利用深度Transformer网络进行多变量时间序列数据异常检测的项目，它结合了自适应条件训练和对抗性训练技术。该项目在 VLDB 2022会议上发表，提供了一个易于使用的代码框架来复现实验结果，并支持多种基准模型的比较。

1. 目录结构及介绍

以下是TranAD项目的典型目录结构及其内容概览：

TranAD/
├── data                  # 数据集存放目录，包含了预处理前后的数据
├── dataloader.py         # 数据加载器脚本，用于处理数据输入
├── preprocess.py         # 预处理脚本，用于处理原始数据，使其适配模型
├── main.py               # 主运行文件，用于执行训练和测试过程
├── src/
│   ├── constants.py      # 系统常量定义，包括一些默认配置
│   ├── params.json       # 参数配置文件，允许用户调整模型参数
│   ├── models             # 包含各模型的实现子目录
│       └── tranad.py     # TranAD模型的核心代码
│   └── utils.py          # 辅助函数集合，如损失计算等
├── requirements.txt      # 项目依赖库列表
├── README.md             # 项目简介和快速入门指导
├── LICENSE               # 许可证文件，遵循BSD-3-Clause

2. 项目的启动文件介绍

主要入口：main.py

此文件是项目的控制中心。通过命令行参数，你可以指定要训练和评估的模型类型（如TranAD、GDN、MAD_GAN等）、选择数据集、是否重训练以及特定的运行选项。例如，运行一个新的TranAD模型并在SMAP数据集上进行训练和测试，可以使用以下命令：

python3 main.py --model TranAD --dataset SMAP --retrain

3. 项目的配置文件介绍

配置位置：src/params.json

params.json 文件是TranAD的重要组成部分，它允许用户无需修改代码即可调整模型的多个参数。这些参数可能包括学习率、隐藏层大小、批次大小等关键超参数。用户可以根据需求自定义这些设置以优化模型性能。

{
    "learning_rate": 0.001,
    "batch_size": 32,
    "num_epochs": 100,
    "...": "...",
}

此外，constants.py 中也定义了一些固定的系统级配置，尽管不直接作为配置文件操作，但同样重要，对某些高级用户可能会进行针对性的修改。

结论

通过上述三个核心部分的介绍，用户能够快速理解TranAD项目的架构，并顺利地进行模型训练和验证。记得在开始实验之前安装好所有必要的依赖项，参考requirements.txt文件进行安装。这样，无论是研究者还是开发者，都能高效地使用TranAD进行多变量时间序列的异常检测研究与实践。