基于转置自注意力机制与卷积自编码器的多元时序数据分析方法

doi:10.11772/j.issn.1001-9081.2025080971

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (10): 3206-3214.DOI: 10.11772/j.issn.1001-9081.2025080971

• 数据科学与技术 • 上一篇

基于转置自注意力机制与卷积自编码器的多元时序数据分析方法

刘晟¹, 童英华¹^,²()

^1.青海师范大学计算机学院，西宁 810000
^2.藏语智能全国重点实验室（青海师范大学），西宁 810008

收稿日期:2025-08-25 修回日期:2025-09-11 接受日期:2025-09-29 发布日期:2025-11-07 出版日期:2026-10-10
通讯作者: 童英华
作者简介:刘晟（1998—），男，江西吉安人，硕士研究生，CCF会员，主要研究方向：物联网系统的可靠性、深度学习
基金资助:
青海省应用基础研究项目(2023-ZJ-713)

Multivariate time series data analysis method based on transposed self-attention mechanism and convolutional autoencoder

Sheng LIU¹, Yinghua TONG¹^,²()

^1.School of Computer，Qinghai Normal University，Xining Qinghai 810000，China
^2.The State Key Laboratory of Tibetan Intelligence （Qinghai Normal University），Xining Qinghai 810008，China

Received:2025-08-25 Revised:2025-09-11 Accepted:2025-09-29 Online:2025-11-07 Published:2026-10-10
Contact: Yinghua TONG
About author:LIU Sheng， born in 1998， M. S. candidate. His research interests include IoT system reliability， deep learning.
Supported by:
Qinghai Province Application Basic Research Project(2023-ZJ-713)

摘要/Abstract

摘要：

针对现有Transformer类模型在趋势性信息提取方面存在的不足，以及传感器异构性导致的变量相关性建模失真等问题，提出一种基于转置自注意力机制（TSA）与卷积自编码器（CAE）的多元时序数据分析方法。该方法通过构建转置一维CAE结构，从时间维度实现时序数据的特征重建，有效捕获多元时序数据中的长期趋势信息；同时，将TSA机制引入多变量相关性分析过程，显著提升变量间关联关系的建模精度。与近年主流方法的预测性能对比实验结果表明，所提方法的平均均方误差（MSE）为0.545，相较于iTransformer和DLinear分别降低了11.4%和7.4%。此外，在5个公共数据集上的异常检测实验结果表明，该方法的平均F1分数为84.92%，优于所有基线方法。在真实水质监测数据集上的预测实验结果表明，所提方法的平均绝对误差（MAE）和MSE相较于Autoformer分别降低了46.2%和42.9%，验证了该方法在实际应用场景中的有效性。

关键词: 异常检测, 时序预测, 自注意力机制, 卷积自编码器, 环境监测

Abstract:

To address the limitations of the existing Transformer models in trend information extraction and the distortion in modeling variable correlations caused by sensor heterogeneity， a multivariate time series data analysis method based on Transposed Self-Attention （TSA） mechanism and Convolutional AutoEncoder （CAE） was proposed. In the method， a transposed one-dimensional CAE structure was constructed to reconstruct time series data features in the time dimension， which captured long-term trend information in multivariate time series data effectively. Meanwhile， the TSA mechanism was introduced into the multivariate correlation analysis process， which improved the modeling accuracy of inter-variable relationships significantly. Comparative experimental results on prediction performance of the proposed method and recent mainstream methods showed that the proposed method achieved an average Mean Squared Error （MSE） of 0.545， which was 11.4% lower than that of iTransformer and 7.4% lower than that of DLinear. Furthermore， anomaly detection experimental results on five public datasets showed that the proposed method achieved an average F1 score of 84.92%， outperforming all the baseline methods. Prediction experimental results on a real-world water quality monitoring dataset showed that the proposed method reduced the average Mean Absolute Error （MAE） and MSE by 46.2% and 42.9%， respectively， compared to Autoformer， demonstrating its effectiveness in practical applications.

Key words: anomaly detection, time series forecasting, self-attention mechanism, Convolutional AutoEncoder (CAE), environmental monitoring

中图分类号:

TP391.4

刘晟, 童英华. 基于转置自注意力机制与卷积自编码器的多元时序数据分析方法[J]. 计算机应用, 2026, 46(10): 3206-3214.

Sheng LIU, Yinghua TONG. Multivariate time series data analysis method based on transposed self-attention mechanism and convolutional autoencoder[J]. Journal of Computer Applications, 2026, 46(10): 3206-3214.

图/表 10

参考文献 43

[1]	Wu H， Xu J， Wang J， et al. Autoformer： decomposition Transformers with auto-correlation for long-term series forecasting［C］// NeurIPS 2021. Red Hook： Curran Associates Inc.， 2021： 22419-22430.
[2]	Franceschi J Y， Dieuveut A， Jaggi M. Unsupervised scalable representation learning for multivariate time series［C］// NeurIPS 2019. Red Hook： Curran Associates Inc.， 2019： 7650-7661.
[3]	Lai K H， Zha D， Xu J， et al. Revisiting time series outlier detection： definitions and benchmarks［EB/OL］. （2021）［2024-06-10］..
[4]	Friedman M. The interpolation of time series by related series［J］. Journal of the American Statistical Association， 1962， 57（300）： 729-757.
[5]	Box G E P， Jenkins G M， Reinsel G C， et al. Time series analysis： forecasting and control［M］. 5th ed. Hoboken， NJ： John Wiley & Sons， Inc.， 2015： 1-10.
[6]	Dietterich T G. Machine learning for sequential data： a review［C］// SSPR/SPR 2002， LNCS 2396. Berlin： Springer， 2002： 15-30.
[7]	Ashenfelter O. Estimating the effect of training programs on earnings［J］. The Review of Economics and Statistics， 1978， 60（4）： 47-57.
[8]	Elman J L. Finding structure in time［J］. Cognitive Science， 1990， 14（2）： 179-211.
[9]	Liu X， Ren J S J， Liu C， et al. Deep convolutional neural network for image deconvolution［C］// NeurIPS 2014 — Volume 1. Cambridge： MIT Press， 2014： 1790-1798.
[10]	Bai S， Kolter J Z， Koltun V. An empirical evaluation of generic convolutional and recurrent networks for sequence modeling［PP/OL］. V2. arXiv （2018-04-19）［2024-06-05］..
[11]	Wu H， Hu T， Liu Y， et al. TimesNet： temporal 2D-variation modeling for general time series analysis［PP/OL］. V2. arXiv （2023-04-12）［2024-06-08］..
[12]	Wang S， Wu H， Shi X， et al. TimeMixer： decomposable multiscale mixing for time series forecasting［PP/OL］. arXiv （2024-05-23）［2024-06-08］..
[13]	Hinton G E， Salakhutdinov R R. Reducing the dimensionality of data with neural networks［J］. Science， 2006， 313（5786）： 504-507.
[14]	Hinton G E， Sejnowski T J. Learning and relearning in Boltzmann machines［M］// Jordan M I， Sejnowski T J. Graphical models： foundations of neural computation. Cambridge： MIT Press， 2001： 45-76.
[15]	李永飞，李铭洋，常鑫，等. 基于可解释性深度学习的物联网水质监测数据异常检测［J］. 计算机工程， 2024， 50（6）： 179-187.
	Li Yongfei， Li Mingyang， Chang Xin， et al. Anomaly detection of IoT water quality monitoring data based on explainable deep learning［J］. Computer Engineering， 2024， 50（6）： 179-187.
[16]	Yao Y， Ma J， Ye Y. Regularizing autoencoders with wavelet transform for sequence anomaly detection［J］. Pattern Recognition， 2023， 134： No.109084.
[17]	Kingma D P， Welling M. Auto-encoding variational Bayes［PP/OL］. V11. arXiv （2022-12-10）［2024-06-06］..
[18]	An J， Cho S. Variational autoencoder based anomaly detection using reconstruction probability［R/OL］. （2015-12-27）［2024-06-09］..
[19]	Vaswani A， Shazeer N， Parmar N， et al. Attention is all you need［C］// NeurIPS 2017. Red Hook： Curran Associates Inc.， 2017： 6000-6010.
[20]	Zeng A， Chen M， Zhang L， et al. Are Transformers effective for time series forecasting？［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2023， 37（9）： 11121-11128.
[21]	Liu Y， Hu T， Zhang H， et al. iTransformer： inverted Transformers are effective for time series forecasting［PP/OL］. V4. arXiv （2024-03-14）［2024-06-09］..
[22]	Zhou H， Zhang S， Peng J， et al. Informer： beyond efficient Transformer for long sequence time-series forecasting［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2021， 35（12）： 11106-11115.
[23]	Tuli S， Casale G， Jennings N R. TranAD： deep Transformer networks for anomaly detection in multivariate time series data［J］. Proceedings of the VLDB Endowment， 2022， 15（6）： 1201-1214.
[24]	Goodfellow I， Pouget-Abadie J， Mirza M， et al. Generative adversarial nets［C］// NeurIPS 2014 — Volume 2. Cambridge： MIT Press， 2014： 2672-2680.
[25]	Nie Y， Nguyen N H， Sinthong P， et al. A time series is worth 64 words： long-term forecasting with Transformers［PP/OL］. V2. arXiv （2023-03-04）［2024-06-09］..
[26]	Liu Y， Wu H， Wang J， et al. Non-stationary Transformers： exploring the stationarity in time series forecasting［C］// NeurIPS 2022. Red Hook： Curran Associates Inc.， 2022： 9881-9893.
[27]	Xu J， Wu H， Wang J， et al. Anomaly Transformer： time series anomaly detection with association discrepancy［PP/OL］. V5. arXiv （2022-06-29）［2024-06-08］..
[28]	Zhang Y， Yan J. Crossformer： Transformer utilizing cross-dimension dependency for multivariate time series forecasting［EB/OL］. （2023-03-02）［2024-06-07］..
[29]	Darban Z Z， Webb G I， Pan S， et al. Deep learning for time series anomaly detection： a survey［J］. ACM Computing Surveys， 2025， 57（1）： No.15.
[30]	Zhang Y. A better autoencoder for image： convolutional autoencoder［EB/OL］. （2019-01-02）［2024-06-06］..
[31]	Nair V， Hinton G E. Rectified linear units improve restricted Boltzmann machines［C］// ICML 2010. Madison， WI： Omnipress， 2010： 807-814.
[32]	Maas A L， Hannun A Y， Ng A Y. Rectifier nonlinearities improve neural network acoustic models［EB/OL］. （2013）［2024-06-06］..
[33]	Ba J L， Kiros J R， Hinton G E. Layer normalization［PP/OL］. arXiv （2016-07-21）［2024-06-05］..
[34]	Ioffe S， Szegedy C. Batch normalization： accelerating deep network training by reducing internal covariate shift［J］. Proceedings of Machine Learning Research， 2015， 37： 448-456.
[35]	Kim T， Kim J， Tae Y， et al. Reversible instance normalization for accurate time-series forecasting against distribution shift［EB/OL］. （2023-02-14）［2024-06-07］..
[36]	Trindade A. ElectricityLoadDiagrams20112014［DS/OL］. （2015）［2024-06-10］..
[37]	Centers for Disease Control and Prevention. National， regional， and state level outpatient illness and viral surveillance［EB/OL］. ［2024-06-10］..
[38]	Lai G， Chang W C， Yang Y， et al. Modeling long- and short-term temporal patterns with deep neural networks［C］// SIGIR 2018. New York： ACM， 2018： 95-104.
[39]	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.
[40]	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.
[41]	Su J， Vargas D V， Sakurai K. One pixel attack for fooling deep neural networks［J］. IEEE Transactions on Evolutionary Computation， 2019， 23（5）： 828-841.
[42]	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.
[43]	Abdulaal A， Lancewicki T. Real-time synchronization in neural networks for multivariate time series anomaly detection［C］// ICASSP 2021. Piscataway： IEEE， 2021： 3570-3574.

方法	Illness 36-36		Illness 36-60		ECL 96-96		ECL 96-192		ETTh1 96-96		ETTh1 96-336
方法	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE
iTransformer	2.268	0.972	2.274	0.979	0.148	0.260	0.178	0.269	0.392	0.410	0.490	0.462
TimeMixer	2.057	0.929	2.296	1.094	0.153	0.246	0.165	0.256	0.375	0.400	0.484	0.459
TimesNet	1.972	0.920	2.027	0.928	0.168	0.272	0.184	0.289	0.384	0.402	0.491	0.469
DLinear	1.963	0.963	2.368	1.096	0.140	0.237	0.169	0.267	0.375	0.399	0.489	0.457
Autoformer	3.103	1.287	2.700	1.125	0.201	0.317	0.222	0.334	0.477	0.478	0.566	0.525
本文方法	1.847	0.865	1.959	0.906	0.138	0.235	0.165	0.261	0.409	0.418	0.482	0.457
方法	ETTm1 96-96		ETTm1 96-336		Exchange 96-96		Exchange 96-336		Weather 96-96		Weather 96-336
方法	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE
iTransformer	0.338	0.373	0.426	0.422	0.091	0.216	0.331	0.417	0.174	0.214	0.278	0.297
TimeMixer	0.320	0.356	0.390	0.405	0.089	0.211	0.339	0.420	0.163	0.210	0.251	0.289
TimesNet	0.338	0.375	0.410	0.411	0.107	0.234	0.367	0.448	0.172	0.220	0.280	0.306
DLinear	0.328	0.362	0.400	0.406	0.092	0.213	0.305	0.414	0.176	0.237	0.259	0.322
Autoformer	0.526	0.488	0.593	0.521	0.197	0.323	0.509	0.524	0.266	0.336	0.359	0.395
本文方法	0.327	0.363	0.418	0.422	0.088	0.208	0.277	0.303	0.161	0.208	0.272	0.297

方法	Illness 36-36		Illness 36-60		ECL 96-96		ECL 96-192		ETTh1 96-96		ETTh1 96-336
方法	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE
iTransformer	2.268	0.972	2.274	0.979	0.148	0.260	0.178	0.269	0.392	0.410	0.490	0.462
TimeMixer	2.057	0.929	2.296	1.094	0.153	0.246	0.165	0.256	0.375	0.400	0.484	0.459
TimesNet	1.972	0.920	2.027	0.928	0.168	0.272	0.184	0.289	0.384	0.402	0.491	0.469
DLinear	1.963	0.963	2.368	1.096	0.140	0.237	0.169	0.267	0.375	0.399	0.489	0.457
Autoformer	3.103	1.287	2.700	1.125	0.201	0.317	0.222	0.334	0.477	0.478	0.566	0.525
本文方法	1.847	0.865	1.959	0.906	0.138	0.235	0.165	0.261	0.409	0.418	0.482	0.457
方法	ETTm1 96-96		ETTm1 96-336		Exchange 96-96		Exchange 96-336		Weather 96-96		Weather 96-336
方法	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE
iTransformer	0.338	0.373	0.426	0.422	0.091	0.216	0.331	0.417	0.174	0.214	0.278	0.297
TimeMixer	0.320	0.356	0.390	0.405	0.089	0.211	0.339	0.420	0.163	0.210	0.251	0.289
TimesNet	0.338	0.375	0.410	0.411	0.107	0.234	0.367	0.448	0.172	0.220	0.280	0.306
DLinear	0.328	0.362	0.400	0.406	0.092	0.213	0.305	0.414	0.176	0.237	0.259	0.322
Autoformer	0.526	0.488	0.593	0.521	0.197	0.323	0.509	0.524	0.266	0.336	0.359	0.395
本文方法	0.327	0.363	0.418	0.422	0.088	0.208	0.277	0.303	0.161	0.208	0.272	0.297

模型	参数量/10⁶	计算量/GMAC
iTransformer	3.256	1.250
TimeMixer	1.128	57.980
TimesNet	36.744	676.854
DLinear	0.018	0.005
Autoformer	5.822	21.153
本文方法	1.431	0.011

模型	参数量/10⁶	计算量/GMAC
iTransformer	3.256	1.250
TimeMixer	1.128	57.980
TimesNet	36.744	676.854
DLinear	0.018	0.005
Autoformer	5.822	21.153
本文方法	1.431	0.011

方法	ECL 96-96	ECL 96-192	ETTm1 96-96	ETTm1 96-336	Exchange 96-96	Exchange 96-336	Weather 96-96	Weather 96-336
iTransformer	0.045	0.065	0.056	0.081	0.016	0.003	0.003	0.027
TimeMixer	0.022	0.574	0.124	0.036	0.621	0.004	0.434	0.021
TimesNet	0.171	0.005	0.024	0.060	0.007	0.002	0.001	0.025
DLinear	0.361	0.026	0.108	0.339	0.017	0.046	0.010	0.080
Autoformer	0.001	0.012	0.001	0.003	0.000	0.001	0.001	0.003

基于转置自注意力机制与卷积自编码器的多元时序数据分析方法

Multivariate time series data analysis method based on transposed self-attention mechanism and convolutional autoencoder

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 43

相关文章 15

编辑推荐

Metrics

方法	MSL			PSM			SMAP
方法	精确率	召回率	F1分数	精确率	召回率	F1分数	精确率	召回率	F1分数
OmniAnomaly	89.02	86.37	87.67	88.39	74.46	80.83	92.49	61.99	74.21
iTransformer	87.65	70.37	78.07	98.10	93.09	95.53	90.69	53.36	67.19
TimesNet	89.54	75.36	81.84	98.51	96.31	97.40	90.01	55.06	68.33
DLinear	89.86	75.12	81.83	98.28	89.26	93.55	89.90	54.04	67.50
Autoformer	77.27	80.92	79.05	99.08	88.15	93.29	90.40	58.62	71.12
本文方法	83.86	81.35	82.58	96.43	96.81	96.62	87.40	56.10	68.33
方法	SMD			SWAT			平均F1分数
方法	精确率	召回率	F1分数	精确率	召回率	F1分数	平均F1分数
OmniAnomaly	83.68	86.82	85.22	81.42	84.30	82.83	82.16
iTransformer	87.58	78.77	82.94	92.18	93.08	92.63	83.27
TimesNet	87.62	79.98	83.63	88.31	96.24	92.10	84.66
DLinear	83.62	71.52	77.10	80.91	95.30	87.52	81.50
Autoformer	78.44	65.10	71.15	89.85	95.81	92.74	81.47
本文方法	86.25	81.10	83.59	93.76	93.26	93.51	84.92

方法	ill_national 36-36		ill_national 36-60		ECL 96-96		ECL 96-192		ETTh1 96-96		ETTh1 96-336
方法	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE
去除自注意力机制	2.403	1.001	2.176	0.935	0.147	0.244	0.173	0.264	0.520	0.484	0.522	0.477
去除归一化	2.200	0.965	2.170	0.942	0.156	0.255	0.163	0.258	0.471	0.459	0.503	0.472
去除卷积自编码器	2.428	0.983	2.633	1.045	0.156	0.260	0.158	0.253	0.395	0.409	0.488	0.461
替换自编码器	2.203	0.919	2.165	0.957	0.140	0.237	0.178	0.283	0.424	0.439	0.483	0.458
去除动态权重	2.549	1.016	2.492	1.047	0.180	0.289	0.170	0.264	0.395	0.410	0.504	0.473
本文方法	1.847	0.865	1.959	0.906	0.138	0.235	0.155	0.251	0.409	0.418	0.486	0.460
方法	ETTm1 96-96		ETTm1 96-336		Exchange 96-96		Exchange 96-336		Weather 96-96		Weather 96-336
方法	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE
去除自注意力机制	0.332	0.363	0.447	0.426	0.095	0.219	0.336	0.420	0.170	0.216	0.275	0.300
去除归一化	0.337	0.371	0.443	0.433	0.095	0.216	0.327	0.414	0.166	0.213	0.281	0.304
去除卷积自编码器	0.333	0.368	0.446	0.432	0.096	0.217	0.326	0.414	0.162	0.208	0.265	0.292
替换自编码器	0.336	0.369	0.427	0.422	0.087	0.208	0.332	0.417	0.164	0.215	0.269	0.293
去除动态权重	0.367	0.391	0.419	0.416	0.088	0.211	0.343	0.425	0.166	0.215	0.283	0.307
本文方法	0.327	0.364	0.418	0.422	0.088	0.209	0.277	0.303	0.161	0.208	0.272	0.297

方法	96-96		96-192
方法	MSE	MAE	MSE	MAE
iTransformer	0.276	0.666	0.336	1.143
TimeMixer	0.283	0.671	0.342	0.659
DLinear	0.375	0.650	0.362	0.594
Autoformer	0.445	1.103	0.532	1.311
本文方法	0.250	0.612	0.308	0.688

[1]	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.
[2]	任志强, 陈学斌, 屈昌盛. 面向联邦学习中拜占庭攻击的主动防御框架[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2196-2207.
[3]	杜秀丽, 高星, 张校毓, 潘成胜, 邹启杰. 基于密集时空可变形注意力的视频快照压缩成像重建方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2288-2296.
[4]	陈坚伟, 陆佳炜, 王琪冰, 赵梦珂. 基于动态时空编码器的电梯多元时间序列异常检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2364-2372.
[5]	何运平, 王雷春, 宋芮芮, 卢祥凤, 魏金香, 刘小萌. 基于对比不变性和强化特定性的双通道多模态情感分析模型[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1767-1775.
[6]	王倩飞, 李旸, 李德玉, 王素格. 基于大语言模型的双通道特征融合表示的短文本聚类方法[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1441-1449.
[7]	宋芮芮, 王雷春, 何运平, 魏金香, 卢祥凤, 刘小萌. 基于混合自注意力和差异归一化的长时间序列预测[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1499-1506.
[8]	谢斌红, 朱二丹, 张睿. 基于外观-运动协同建模的视频异常检测[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1551-1559.
[9]	索逸凡, 刘松华, 郝秋智. 基于高阶特征聚合的时间序列异常检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1131-1138.
[10]	尹春勇, 张不凡. 基于多尺度的多变量时间序列异常检测模型[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 790-797.
[11]	董莉梅, 李雁姿, 李家印, 许力. 基于邻域增强的无监督图异常检测[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 458-466.
[12]	韩锋, 卜永丰, 梁浩翔, 黄舒雯, 张朝阳, 孙士杰. 基于多层次时空交互依赖的车辆轨迹异常检测[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 604-612.
[13]	罗虎, 张明书. 基于跨模态注意力机制与对比学习的谣言检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 361-367.
[14]	钟琪, 张淑芬, 张镇博, 菅银龙, 景忠瑞. 面向联邦学习的投毒攻击检测与防御机制[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 445-457.
[15]	魏金香, 王雷春, 卢祥凤, 宋芮芮, 何运平, 刘小萌. 融合时空感知与自监督转换器的交通流预测模型[J]. 《计算机应用》唯一官方网站, 2026, 46(10): 3171-3179.