如何让htm-core支持多维输入以实现异常检测？

先澄清一个误解 #

htm-core不是仅支持一维输入，它的核心组件（空间池化SP、时间记忆TM）可以处理任意长度的一维二进制编码向量——多维度数据只需要先编码再拼接成一维向量即可，不需要局限在单维度输入。

多维度异常检测的两种实现思路 #

思路1：单HTM层+多维度编码拼接（推荐） #

这是最直接高效的方式，把所有维度的编码结果拼接成一个大的一维二进制向量，作为SP的输入，不需要多个独立HTM层。具体结合你的代码修改如下：

1. 为每个额外维度添加编码器
   给records[2]、records[3]这类数值维度各自创建独立的RDSE编码器，参数根据对应维度的数据特征调整：

   # 为第二个数值维度创建编码器
   scalarEncoderParams2 = RDSE_Parameters()
   scalarEncoderParams2.size = parameters["enc"]["value2"]["size"]
   scalarEncoderParams2.sparsity = parameters["enc"]["value2"]["sparsity"]
   scalarEncoderParams2.resolution = parameters["enc"]["value2"]["resolution"]
   scalarEncoder2 = RDSE(scalarEncoderParams2)
   
   # 为第三个数值维度创建编码器（按需添加更多）
   scalarEncoderParams3 = RDSE_Parameters()
   scalarEncoderParams3.size = parameters["enc"]["value3"]["size"]
   scalarEncoderParams3.sparsity = parameters["enc"]["value3"]["sparsity"]
   scalarEncoderParams3.resolution = parameters["enc"]["value3"]["resolution"]
   scalarEncoder3 = RDSE(scalarEncoderParams3)
   

2. 更新总编码宽度
   把所有编码器的尺寸相加，得到拼接后的总输入长度：

   encodingWidth = dateEncoder.size + scalarEncoder.size + scalarEncoder2.size + scalarEncoder3.size
   

3. 保持SP的输入维度配置
   SP的inputDimensions依然设为一维，长度等于总编码宽度即可，其他参数无需大幅调整：

   sp = SpatialPooler(
       inputDimensions=(encodingWidth,),  # 仅更新数值，结构不变
       columnDimensions=(spParams["columnCount"],),
       potentialPct=spParams["potentialPct"],
       potentialRadius=encodingWidth,
       globalInhibition=True,
       localAreaDensity=spParams["localAreaDensity"],
       synPermInactiveDec=spParams["synPermInactiveDec"],
       synPermActiveInc=spParams["synPermActiveInc"],
       synPermConnected=spParams["synPermConnected"],
       boostStrength=spParams["boostStrength"],
       wrapAround=True
   )
   

4. 编码阶段拼接所有维度的二进制向量
   处理每条记录时，分别编码各个维度，再拼接成一个完整的输入向量：

   for record in records:
       # 编码各维度
       date_bits = dateEncoder.encode(record[0])
       val1_bits = scalarEncoder.encode(record[1])
       val2_bits = scalarEncoder2.encode(record[2])
       val3_bits = scalarEncoder3.encode(record[3])
       # 拼接成总输入
       combined_bits = np.concatenate([date_bits, val1_bits, val2_bits, val3_bits])
       # 后续SP、TM、异常检测的逻辑和原来一致，用combined_bits作为输入即可
   

思路2：多独立HTM层+异常分数融合 #

如果需要单独监控每个维度的异常情况，再得到整体异常结果，可以为每个数值维度（搭配时间维度）单独创建一套HTM组件（SP+TM+AnomalyLikelihood），最后对各维度的异常概率进行融合（比如加权求和、取最大值）。

举个简单逻辑：

• 为record[1]单独部署一套HTM，输出异常分数anomaly_score1
• 为record[2]单独部署一套HTM，输出异常分数anomaly_score2
• 整体异常分数 = (anomaly_score1 + anomaly_score2) / 2 （或其他自定义融合规则）

这种方式的缺点是计算成本更高，且无法捕捉维度间的关联关系，只适合需要单独分析各维度异常的场景。

关键注意事项 #

• 每个维度的编码器参数（size、sparsity、resolution）要根据对应维度的数据范围、精度单独调整，避免某一维度的编码占据过多权重。
• 空间池化层的columnCount可以适当增大，以适应更高维度的输入，保证SP能有效提取多维度联合特征。
• 异常检测器（AnomalyLikelihood）：单HTM层用一套即可；多HTM层则每个层对应一个独立的检测器，最后再融合结果。

内容的提问来源于stack exchange，提问作者Joy Bose