1.一种时序数据异常检测方法，其特征在于，所述方法包括如下步骤：S100，获取待检测的时序数据集D={D1，D2，……，Di，……，DT}，Di为监测时刻i对应的数据集，Di={di1，di2，……，dij，……，din}，dij为Di中的第j个监测数据，i的取值为1到T，T为时序数据的长度，j的取值为1到n，n为每个监测时刻监测的数据数量；待检测的时序数据为对水处理系统进行监测得到的数据，包括水位、流速、水压以及阀门状态；

S200，使用滑动步幅1、窗口大小为w的滑动窗口对D进行划分，得到滑动时序数据集DS={DS1，DS2，……，DSh，……，DSM}，DSh为DS中的第h个滑动时序数据集，h的取值为1到M，M为DS中的滑动时序数据集的数量，M=T‑w+1；

c

S300，将DSh输入第一卷积模块，得到对应的第一卷积特征Fh1；

c st

S400，将Fh1输入第一时空模块，得到第一时空特征Fh1 ；所述第一时空模块包括第一时间模块和第一空间模块，所述第一时间模块包括第一时间注意力模块、第一扩展卷积模块和第一通道注意力模块；所述第一空间模块包括第一静态图学习层、第一动态图学习层和第一门控图卷积模块，所述第一门控图卷积模块包括第一静态图卷积模块、第一动态图卷积模块和第一门控融合模块；

st c st

S500，将Fh1 和Fh1进行相加得到的特征输入第二时空模块，得到第二时空特征Fh2 ；

所述第二时空模块和所述第一时空模块的结构相同；

st st c

S600，将Fh1 和Fh2 进行相加得到的特征输入第二卷积模块，得到第二卷积特征Fh2；

c

S700，将Fh2 分别输入数据预测模块和数据重构模块中，得到DSh对应的下一时刻的预nc nr测数据Dh 和重构数据Dh ；

next nc nr next nextS800，基于Dh 、Dh 和Dh 获取DSh对应的下一时刻对应的检测值Sh ，如果Sh ＞next next

S0，则判断Dh 为异常数据，Dh 为DSh对应的下一时刻的真实数据，S0为设定阈值。

2.根据权利要求1所述的方法，其特征在于，所述第一卷积模块和第二卷积模块均为1×1卷积层。

3.根据权利要求1所述的方法，其特征在于，S400具体包括：c

S401，将Fh1分别输入第一扩展卷积模块和第一时间注意力模块中进行特征提取，得到EC t第一扩展卷积特征Fh1 和第一时间特征Fh1；

EC a

S402，将Fh1 输入第一通道注意力模块中进行特征提取，得到第一注意力特征Fh1；

t a m m

S403，将Fh1和Fh1进行融合得到融合特征Fh ，并将Fh 分别输入第一动态图学习层和第一门控图卷积模块中；

m

S404，基于所述第一动态图学习层，得到Fh对应的第一动态邻接矩阵Ahd，并输入第一门控图卷积模块中；

st

S405，基于所述第一门控图卷积模块，得到Fh1 =α∘Fhs+（1‑α）Fhd；其中，α为门控值，∘m表示哈达玛积，Fhs为第一静态图卷积模块对Fh 和第一静态图学习层构建的静态邻接矩阵m进行卷积得到的第一全局空间特征，Fhd为第一动态图卷积模块对Fh和Ahd进行卷积得到的第一局部空间特征。

4.根据权利要求3所述的方法，其特征在于，Ahd基于如下步骤得到：m mg

S4041，将Fh沿着时间维度划分为p个片段，并对第g个片段的特征Fh 进行聚合，得到mg对应的聚合特征FAh ；g的取值为1到p；

g g

S4042，构建第g个片段对应的动态图结构Gh，并获取Gh 中的任意两个节点u和v之间的g mg Q mg K T 1/2空间相关性γ uv=softmax（（FAh uW）•（FAh vW）/（C） ）；其中，softmax（）为归一化函数，mg mg QFAh u为节点u的聚合特征，FAh v为节点v的聚合特征，u和v的取值范围分别为1到n；W 为查K询权重，W为键权重；C为通道维度；

g g g g

S4043，基于γ uv，获取第g个片段对应的动态邻接矩阵Ah d，Ah d的第x行包括（γ x1，g g g gγ x2，……，γ xz，……，γ xn），γ xz为第g个片段中的第x个节点与第z个节点之间的空间相关性，x和z的取值分别为1到n；

1 2 g p

S4043，获取Ahd=（Ahd，Ahd，……，Ahd，……，Ah）d 。

5.根据权利要求3所述的方法，其特征在于， ，φ表示卷积核， 表示膨胀因子为d的扩展卷积操作，ReLU（）为激活函数。

6.根据权利要求3所述的方法，其特征在于，S402具体包括：EC

S4021，将Fh1 分别输入第一全连接层和第二全连接层，以分别进行全局平均池化和全EC EC局最大池化处理，得到对应的平均池化特征Fh1avg 和最大池化特征Fh1max ；

a EC

S4022，获取Fh1=M1×Fh1 ；M1为第一通道注意力模块的通道注意力权重，M1=σ（W2（W1EC EC（Fh1avg ））+W2（W1（Fh1max ）））；其中，W1和W2分别为第一全连接层和第二全连接层的权重参数，σ（）表示sigmoid激活函数。

7.根据权利要求1所述的方法，其特征在于，所述数据预测模块为多层神经网络模型，所述数据重构模块为自编码器架构。

next n next nc 2 next

8.根据权利要求1所述的方法，其特征在于，Sh =∑q=1（（dhq ‑dhq ）+（dhq ‑nr 2 next next nc nextdhq ））/（1+β）；其中，dhq 为Dh 中的第q个监测数据的真实值，dhq 为dhq 对应的预nr next测值，dhq 为dhq 对应的重构值，β为超参数。

9.一种非瞬时性计算机可读存储介质，所述存储介质中存储有至少一条指令或至少一段程序，其特征在于，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1‑8中任意一项的所述方法。

10.一种电子设备，其特征在于，包括处理器和权利要求9中所述的非瞬时性计算机可读存储介质。