基于对比学习与Mamba的时间序列异常检测方法Mamba-ADCL

doi:10.11772/j.issn.1001-9081.2025080958

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (10): 3199-3205.DOI: 10.11772/j.issn.1001-9081.2025080958

• 数据科学与技术 • 上一篇

基于对比学习与Mamba的时间序列异常检测方法Mamba-ADCL

赵志宏¹^,²(), 刘栩硕²

^1.石家庄铁道大学石家庄市人工智能重点实验室，石家庄 050043
^2.石家庄铁道大学信息科学与技术学院，石家庄 050043

收稿日期:2025-08-21 修回日期:2025-09-04 接受日期:2025-09-15 发布日期:2026-10-21 出版日期:2026-10-10
通讯作者: 赵志宏
作者简介:刘栩硕（2001—），男，河北石家庄人，硕士研究生，主要研究方向：时序数据分析、异常检测。
基金资助:
石家庄市市级科技计划项目(2512100201A);中国铁路南宁局集团有限公司科研计划项目（工25-2）

Mamba-ADCL： time series anomaly detection method based on contrastive learning and Mamba

Zhihong ZHAO¹^,²(), Xushuo LIU²

^1.Shijiazhuang Key Laboratory of Artificial Intelligence，Shijiazhuang Tiedao University，Shijiazhuang Hebei 050043，China
^2.School of Information Science and Technology，Shijiazhuang Tiedao University，Shijiazhuang Hebei 050043，China

Received:2025-08-21 Revised:2025-09-04 Accepted:2025-09-15 Online:2026-10-21 Published:2026-10-10
Contact: Zhihong ZHAO
About author:LIU Xushuo， born in 2001， M. S. candidate. His research interests include time series data analysis， anomaly detection.
Supported by:
Science and Technology Program of Shijiazhuang(2512100201A);Scientific Research Program of China Railway Nanning Group Company Limited(Gong 25-2)

摘要/Abstract

摘要：

针对现有的时间序列异常检测方法普遍存在对标注数据依赖性强、在复杂场景下的建模能力不足等问题，提出一种基于对比学习与Mamba的时间序列异常检测方法Mamba-ADCL（Anomaly Detection in time series via Contrastive Learning with Mamba）。该方法设计双分支Mamba结构，利用共享权重结构和对比学习策略，有效扩大正常与异常样本间的特征差异，提升模型鲁棒性与泛化能力；同时，提出时域与频域协同建模的表征方法，将时间序列数据转换为频域表示，并与时域数据共同构建双视角的对比学习机制，从而增强对异常模式的识别能力。在4个公开数据集MSL、SMAP、SWaT和PSM上的实验结果表明，Mamba-ADCL的F1-score相较于AnomalyTrans（Anomaly Transformer）分别提升了2.22、0.22、3.86和0.35个百分点，相较于时频掩码自编码器（TFMAE）分别提升了2.43、0.52、0.70和0.28个百分点，验证了该方法在时间序列异常检测中的有效性。

关键词: Mamba, 对比学习, 时间序列异常检测, 自监督学习, 频域

Abstract:

To address the issues of the existing time series anomaly detection methods， such as the heavy reliance on labeled data and the insufficient modeling capability in complex scenarios， a Mamba-ADCL （Anomaly Detection in time series via Contrastive Learning with Mamba） was proposed. In the method， a dual-branch Mamba structure was designed， in which a shared-weight framework and a contrastive learning strategy were employed to enhance the feature discrepancies between normal and abnormal samples effectively， thereby improving model robustness and generalization. Meanwhile， a representation method with collaborative time-domain and frequency-domain modeling was introduced， in which time series data was transformed into frequency representations and combined with time-domain data to construct a dual-view contrastive learning mechanism jointly， thereby enhancing the recognition ability for abnormal patterns. Experimental results on four public datasets， MSL， SMAP， SWaT， and PSM show that the F1-score of Mamba-ADCL is improved by 2.22， 0.22， 3.86， and 0.35 percentage points compared with that of AnomalyTrans （Anomaly Transformer）， and by 2.43， 0.52， 0.70， and 0.28 percentage points compared with that of TFMAE （Temporal-Frequency Masked AutoEncoder）， which verifying the effectiveness of Mamba-ADCL in time series anomaly detection.

Key words: Mamba, contrastive learning, time series anomaly detection, self-supervised learning, frequency domain

中图分类号:

TP391.4

赵志宏, 刘栩硕. 基于对比学习与Mamba的时间序列异常检测方法Mamba-ADCL[J]. 计算机应用, 2026, 46(10): 3199-3205.

Zhihong ZHAO, Xushuo LIU. Mamba-ADCL： time series anomaly detection method based on contrastive learning and Mamba[J]. Journal of Computer Applications, 2026, 46(10): 3199-3205.

图/表 9

参考文献 30

[1]	Pang G， Shen C， Cao L， et al. Deep learning for anomaly detection： a review［J］. ACM Computing Surveys， 2022， 54（2）： No.38.
[2]	Yang Y， Zhang H， Li Y. Pipeline safety early warning by multifeature-fusion CNN and LightGBM analysis of signals from distributed optical fiber sensors［J］. IEEE Transactions on Instrumentation and Measurement， 2021， 70： No.2514213.
[3]	Yamanishi K， Takeuchi J I. A unifying framework for detecting outliers and change points from non-stationary time series data［C］// KDD 2002. New York： ACM， 2002： 676-681.
[4]	Moshtaghi M， Bezdek J C， Leckie C， et al. Evolving fuzzy rules for anomaly detection in data streams［J］. IEEE Transactions on Fuzzy Systems， 2015， 23（3）： 688-700.
[5]	Canizo M， Triguero I， Conde A， et al. Multi-head CNN-RNN for multi-time series anomaly detection： an industrial case study［J］. Neurocomputing， 2019， 363： 246-260.
[6]	Park D， Hoshi Y， Kemp C C. A multimodal anomaly detector for robot-assisted feeding using an LSTM-based variational autoencoder［J］. IEEE Robotics and Automation Letters， 2018， 3（3）： 1544-1551.
[7]	Vaswani A， Shazeer N， Parmar N， et al. Attention is all you need［C］// NeurIPS 2017. Red Hook： Curran Associates Inc.， 2017： 6000-6010.
[8]	Xu J， Wu H， Wang J， et al. Anomaly Transformer： time series anomaly detection with association discrepancy［PP/OL］. V5. arXiv （2022-06-29）［2025-05-03］..
[9]	Zhang C， Zhang K， Zhang C， et al. How does SimSiam avoid collapse without negative samples？ a unified under-standing with self-supervised contrastive learning［PP/OL］. arXiv （2022-03-30）［2025-05-03］..
[10]	Darban Z Z， Webb G I， Pan S， et al. CARLA： self-supervised contrastive representation learning for time series anomaly detection［J］. Pattern Recognition， 2025， 157： No.110874.
[11]	Gu A， Goel K， Ré C. Efficiently modeling long sequences with structured state spaces［PP/OL］. V3. arXiv （2022-08-05）［2025-05-03］..
[12]	Gu A， Dao T. Mamba： linear-time sequence modeling with selective state spaces［PP/OL］. V2. arXiv （2024-05-31）［2025-05-03］..
[13]	Cai X， Zhu Y， Wang X， et al. MambaTS： improved selective state space models for long-term time series forecasting［PP/OL］. arXiv （2024-05-26）［2025-05-03］..
[14]	Liang A， Jiang X， Sun Y， et al. Bi-Mamba+： bidirectional Mamba for time series forecasting［PP/OL］. V3. arXiv （2024-06-27）［2025-05-03］..
[15]	Zhang W， Huang J， Wang R， et al. Integration of Mamba and Transformer-MAT for long-short range time series forecasting with application to weather dynamics［C］// ICECCE 2024. Piscataway： IEEE， 2024： 1-6.
[16]	Wu Y， Meng X， Hu H， et al. Affirm： interactive mamba with adaptive Fourier filters for long-term time series forecasting［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2025， 39（20）： 21599-21607.
[17]	Geiger A， Liu D， Alnegheimish S， et al. TadGAN： time series anomaly detection using generative adversarial networks［C］// Big Data 2020. Piscataway： IEEE， 2020： 33-43.
[18]	Li Y， Peng X， Zhang J， et al. DCT-GAN： dilated convolutional Transformer-based GAN for time series anomaly detection［J］. IEEE Transactions on Knowledge and Data Engineering， 2023， 35（4）： 3632-3644.
[19]	Fang Y， Xie J， Zhao Y， et al. Temporal-frequency masked autoencoders for time series anomaly detection［C］// ICDE 2024. Piscataway： IEEE， 2024： 1228-1241.
[20]	郑育靖，何强，张长伦，等. 基于GRU-Attention的无监督多变量时间序列异常检测［J］. 山西大学学报（自然科学版）， 2020， 43（4）： 756-764.
	Zheng Yujing， He Qiang， Zhang Changlun， et al. GRU-Attention based unsupervised multivariate time series anomaly detection［J］. Journal of Shanxi University （Natural Science Edition）， 2020， 43（4）： 756-764.
[21]	黄训华，张凤斌，樊好义，等. 基于多模态对抗学习的无监督时间序列异常检测［J］. 计算机研究与发展， 2021， 58（8）： 1655-1667.
	Huang Xunhua， Zhang Fengbin， Fan Haoyi， et al. Multimodal adversarial learning based unsupervised time series anomaly detection［J］. Journal of Computer Research and Development， 2021， 58（8）： 1655-1667.
[22]	段雪源，付钰，王坤. 基于VAE-WGAN的多维时间序列异常检测方法［J］. 通信学报， 2022， 43（3）： 1-13.
	Duan Xueyuan， Fu Yu， Wang Kun. Multi-dimensional time series anomaly detection method based on VAE-WGAN［J］. Journal on Communications， 2022， 43（3）： 1-13.
[23]	Hundman K， Constantinou V， Laporte C， et al. Detecting spacecraft anomalies using LSTMs and nonparametric dynamic thresholding［C］// KDD 2018. New York： ACM， 2018： 387-395.
[24]	Abdulaal A， Liu Z， Lancewicki T. Practical approach to asynchronous multivariate time series anomaly detection and localization［C］// KDD 2021. New York： ACM， 2021： 2485-2494.
[25]	Mathur A P， Tippenhauer N O. SWaT： a water treatment testbed for research and training on ICS security［C］// CySWater 2016. Piscataway： IEEE， 2016： 31-36.
[26]	Zhou B， Liu S， Hooi B， et al. BeatGAN： anomalous rhythm detection using adversarially generated time series［C］// IJCAI 2019. California： IJCAI， 2019： 4433-4439.
[27]	Su Y， Zhao Y， Niu C， et al. Robust anomaly detection for multivariate time series through stochastic recurrent neural network［C］// KDD 2019. New York： ACM， 2019： 2828-2837.
[28]	Li Z， Zhao Y， Han J， et al. Multivariate time series anomaly detection and interpretation using hierarchical inter-metric and temporal embedding［C］// KDD 2021. New York： ACM， 2021： 3220-3230.
[29]	Shen L， Li Z， Kwok J T. Timeseries anomaly detection using temporal hierarchical one-class network［C］// NeurIPS 2020. Red Hook： Curran Associates Inc.， 2020： 13016-13026.
[30]	Wu H， Hu T， Liu Y， et al. TimesNet： temporal 2D-variation modeling for general time series analysis［PP/OL］. V3. arXiv （2023-04-12）［2025-05-03］..

数据集	维度	样本数		异常比例/%
数据集	维度	训练集	测试集	异常比例/%
MSL	55	58 317	73 729	10.5
SMAP	25	135 183	427 617	12.8
SWaT	51	495 000	449 919	12.1
PSM	25	132 481	87 841	27.8

数据集	维度	样本数		异常比例/%
数据集	维度	训练集	测试集	异常比例/%
MSL	55	58 317	73 729	10.5
SMAP	25	135 183	427 617	12.8
SWaT	51	495 000	449 919	12.1
PSM	25	132 481	87 841	27.8

模型	MSL			SMAP			SWaT			PSM
模型	P	R	F₁	P	R	F₁	P	R	F₁	P	R	F₁
Trans-ADCL	93.48	75.08	83.28	92.12	89.42	90.75	96.91	77.46	86.10	98.06	97.58	97.82
w/o SW	94.71	96.14	95.42	95.82	94.77	95.29	95.93	99.76	97.81	98.15	97.13	97.64
w/o SG	94.50	91.98	93.22	96.09	97.69	96.88	95.81	99.18	97.47	98.18	97.82	98.00
w/o Freq	94.00	82.07	87.63	94.84	84.38	89.30	93.65	98.27	95.90	98.09	94.28	96.15
w/o Time	94.60	88.53	91.47	94.50	91.38	92.91	93.53	95.28	94.40	98.28	97.79	98.03
Mamba-ADCL	95.16	96.46	95.81	96.18	97.65	96.91	95.95	100.00	97.93	98.14	98.34	98.24

模型	MSL			SMAP			SWaT			PSM
模型	P	R	F₁	P	R	F₁	P	R	F₁	P	R	F₁
Trans-ADCL	93.48	75.08	83.28	92.12	89.42	90.75	96.91	77.46	86.10	98.06	97.58	97.82
w/o SW	94.71	96.14	95.42	95.82	94.77	95.29	95.93	99.76	97.81	98.15	97.13	97.64
w/o SG	94.50	91.98	93.22	96.09	97.69	96.88	95.81	99.18	97.47	98.18	97.82	98.00
w/o Freq	94.00	82.07	87.63	94.84	84.38	89.30	93.65	98.27	95.90	98.09	94.28	96.15
w/o Time	94.60	88.53	91.47	94.50	91.38	92.91	93.53	95.28	94.40	98.28	97.79	98.03
Mamba-ADCL	95.16	96.46	95.81	96.18	97.65	96.91	95.95	100.00	97.93	98.14	98.34	98.24

模型	MSL			SMAP			SWaT			PSM
模型	P	R	F₁	P	R	F₁	P	R	F₁	P	R	F₁
LSTM-VAE	85.49	79.94	82.62	92.20	67.75	78.10	76.00	89.50	82.20	73.62	89.92	80.96
BeatGAN	89.75	85.42	87.53	92.38	55.85	69.61	64.01	87.46	73.92	90.30	93.84	92.04
LSTM	85.45	82.50	83.95	89.41	78.13	83.39	86.15	83.27	84.69	76.93	89.64	82.80
OmniAnomaly	89.02	86.37	87.67	92.49	81.99	86.92	81.42	84.30	82.83	88.39	74.46	80.83
InterFusion	81.28	92.70	86.62	89.77	88.52	89.14	80.59	85.58	83.01	83.61	83.45	83.52
THOC	88.45	90.97	89.69	92.06	89.34	90.68	83.94	86.36	85.13	88.14	90.99	89.54
AnomalyTrans	92.09	95.15	93.59	94.13	99.40	96.69	91.55	96.73	94.07	96.91	98.90	97.89
TimesNet	89.41	75.26	81.73	89.98	55.28	68.48	91.58	95.32	93.42	98.46	95.89	97.16
TFMAE	92.92	93.84	93.38	94.25	98.62	96.39	97.42	97.05	97.23	97.66	98.25	97.96
Mamba-ADCL	95.16	96.46	95.81	96.18	97.65	96.91	95.95	100.00	97.93	98.14	98.34	98.24

基于对比学习与Mamba的时间序列异常检测方法Mamba-ADCL

Mamba-ADCL： time series anomaly detection method based on contrastive learning and Mamba

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 30

相关文章 15

编辑推荐

Metrics

模型	参数量/MB	平均每次迭代时间/s
AnomalyTrans	28.10	0.434
TimesNet	19.10	0.309
TFMAE	9.96	0.081
Trans-ADCL	14.37	0.174
Mamba-ADCL	5.17	0.255

[1]	王岩, 陈曦, 赵中恺, 周欢, 吴涛, 艾梦格, 肖雪松. 相似度感知的民族文化知识图谱链路预测模型[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2447-2456.
[2]	李栋, 赵苡积, 丁海燕, 武浩. 基于软白化的无负样本自监督学习时序预测框架[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2457-2466.
[3]	李光辉, 屈立成. 基于改进Lite-Mono架构的动态空洞卷积和分层注意力模型[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2567-2576.
[4]	吕慧慧, 仲兆满, 张渝, 樊继冬. 融合互信息最大化与对比学习的句法增强型方面级情感分析[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2440-2446.
[5]	刘珈铭, 艾芳菊. 基于多策略对比学习和自适应标签平滑的文本-ID序列推荐模型[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2477-2484.
[6]	高艳, 姚育东. 基于时空Mamba模型的生理信号提取和心率测量[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2699-2707.
[7]	王昱麒, 张仰森, 王璞. 融合知识增强和对比学习的高中英语阅读理解模型[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2096-2103.
[8]	樊海玮, 丁文帅, 邢宏政. 基于多异构拓扑图协同与层次对比学习的知识感知推荐性能增强方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2085-2095.
[9]	陈宇, 戚帅康, 许莉薇, 朱浩天. 融合多尺度小波增强与自监督学习的社交机器人检测框架[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1756-1766.
[10]	李冰清, 黄彬浩, 唐语蓓, 张柏礼. 面向数据稀疏性与冷启动问题的服务质量预测模型[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1829-1835.
[11]	刘新如, 刘松华, 祁露莎, 孟耀飞. 基于动态加权集成的时序预测模型[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1863-1871.
[12]	戚航, 董婷婷, 乃永强, 莫先. 基于图扩散生成与自适应采样的对比协同过滤方法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1818-1828.
[13]	王静红, 陈潇, 马迎梅, 李笔, 米据生, 王威. 基于自适应学习的多层次邻域对比属性图聚类[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1836-1843.
[14]	喻小芹, 单武扬, 邱骏颖, 林宇, 杨容浩, 田茂. 亮度对比度扰动下的图像篡改定位检测网络[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1893-1903.
[15]	舒尔豪, 涂国庆, 刘树波. 基于类激活映射的空频协同对抗样本生成方法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1881-1892.