Сравнительная глубокая обучающая рамка для обнаружения аномалий в многомерных временных рядах телеметрии спутника

В настоящем исследовании сравниваются модели глубокого обучения для покадрового (point-level) обнаружения аномалий в многоканальных данных спутниковой телеметрии. Сырые событийные телеметрические данные были преобразованы в сегментные многомерные временные ряды без использования оконной обработки или выделения признаков, что позволило моделям изучать поведение системы на каждом временном шаге. Предобработка включала выравнивание каналов, нормализацию на основе обучающего набора, восстановление пропущенных значений и сглаживание временных меток, а несбалансированность классов решалась с помощью Focal Loss и сегментного пересэмплинга. Оценивались пять архитектур — BiLSTM, BiGRU, Transformer, гибрид BiLSTM–Transformer и гибрид BiGRU–Transformer — с оптимизацией порогов на валидационном наборе. Результаты показывают, что гибридные модели, комбинирующие рекуррентные сети и механизмы внимания, эффективно захватывают как краткосрочные, так и долгосрочные зависимости. Отдельная модель BiGRU демонстрирует наивысшие значения F1 и точности по общим показателям классификации. В то же время архитектура гибрида BiGRU–Transformer не превосходит BiGRU по метрикам классификации, но обеспечивает лучшую временную стабильность, повышенную чувствительность к границам и лучшую интерпретируемость при задачах обнаружения аномалий.