多元时间序列数据分析广泛应用于物联网、金融、交通、运维等领域中。在实际应用中，为保证一些关键指标的健壮性，需要对这些关键指标进行实时检测和分析，这些关键指标随着时间的迁移就形成了多条时间序列曲线。时间序列曲线量级较大，通常有几百万条，如何对这些海量时间序列数据分析就成为一个关键问题。

　　本项目通过利用深度生成模型和图神经网络技术对多元时间序列数据进行分析，可实现单步、多步时间预测，可解释性异常检测等。

　　已完成的工作：

• 基于Transformer架构的多元时序数据异常检测算法

　　正在进行的工作：

• 利用图神经网络刻画多元时间序列间的相关性

• 通过刻画多元时序数据时间依赖性和空间相似性实现多步预测

• 利用变分自编码器（VAE）实现多元时间序列数据异常检测

（项目负责人：张啸）