深度学习时间序列异常检测方法

文章预览

本文 约10000字 ，建议阅读 15+ 分钟 本文全面概述了深度学习用于时间序列异常检测的最新架构。 本文全面概述了 深度学习用于时间序列异常检测的最新架构，提供了基于策略和模型的方法，并讨论了各种技术的优点和局限性。 此外，还举例说明了近年来深度学习在时间序列异常检测中各领域的应用。 1  背景 时间序列是一系列按照时间顺序依次索引的数据点。最常见的时间序列形式是按时间记录的观察序列。时间序列通常分为单变量（一维）和多变量（多维）。随后，概述时间序列的可分解成分，并给出基于时间序列成分和特征的异常类型分类。 1.1  单变量时间序列 如图1所示，单变量时间序列（UTS）是基于单个变量随时间变化而形成的一系列数据记录。例如，记录一天中每小时的湿度水平就是这样一个例子。 图1 从NeurIPS-TS数据集绘制的不同 ………………………………