論文題目：Outlier Detection for Multidimensional Time Series using Deep Neural Networks （發表在MDM2018上，作者單位：丹麥艾爾堡大學）

這篇文章方法並不複雜，但提供了一個好的思路：

首先將原始的時間序列通過滑動窗口的形式，對每個窗口內的序列做特徵提取，然後將提取的特徵送給 AutoEncoder。在檢測時，若 AutoEncoder 的重建 error 大於某個閾值，則認為是異常。

可啟發的點：

• 原始的時間序列往往面臨維度高，存在雜訊等情況，通過特徵提取，對原始數據進行清洗和豐富等，會比直接將原始數據扔給神經網路要好；
• AutoEncoder 是一種典型的無監督方法，可以將其擴展為 variational AutoEncoder，或者引入情景信息，從而擴展為 Conditional Variational AutoEncoder。

接下來講具體的方法……

方法

本文主要包含兩部分：Time Series Enrichment + Deep Neural Network Based Autoencoder (2DCNN-AE 和 LSTM-AE 分別對應的神經網路是 CNN 和 LSTM)

Time Series Enrichment

Enrichment 分為兩步：

step 1：

如上圖所示，以b為大小的滑動窗口，對窗口內多變數時間序列的每一個維度提取以下兩種特徵：

如下圖所示，如果時間序列變數維度為3，則每一個窗口中數據變為2*3。

step 2：

在 step 1 的基礎上，以 f 為窗口大小，對於 NOR 和 DOR 特徵，分別在每個變數上抽取8種統計量，最後數據維度為16*3。

Deep Neural Network Based Autoencoder

這一部分就是基於 CNN/LSTM 網路的 Autoencoder。

本文最後又做了一個補充，在Autoencoder中引入情境信息。（最簡單的情境信息就是類別、時間等）

推薦閱讀：