论文题目：Outlier Detection for Multidimensional Time Series using Deep Neural Networks （发表在MDM2018上，作者单位：丹麦艾尔堡大学）

这篇文章方法并不复杂，但提供了一个好的思路：

首先将原始的时间序列通过滑动窗口的形式，对每个窗口内的序列做特征提取，然后将提取的特征送给 AutoEncoder。在检测时，若 AutoEncoder 的重建 error 大于某个阈值，则认为是异常。

可启发的点：

  • 原始的时间序列往往面临维度高，存在杂讯等情况，通过特征提取，对原始数据进行清洗和丰富等，会比直接将原始数据扔给神经网路要好；
  • AutoEncoder 是一种典型的无监督方法，可以将其扩展为 variational AutoEncoder，或者引入情景信息，从而扩展为 Conditional Variational AutoEncoder。

接下来讲具体的方法……

方法

本文主要包含两部分：Time Series Enrichment + Deep Neural Network Based Autoencoder (2DCNN-AE 和 LSTM-AE 分别对应的神经网路是 CNN 和 LSTM)

Time Series Enrichment

Enrichment 分为两步：

step 1：

如上图所示，以b为大小的滑动窗口，对窗口内多变数时间序列的每一个维度提取以下两种特征：

如下图所示，如果时间序列变数维度为3，则每一个窗口中数据变为2*3。

step 2：

在 step 1 的基础上，以 f 为窗口大小，对于 NOR 和 DOR 特征，分别在每个变数上抽取8种统计量，最后数据维度为16*3。

Deep Neural Network Based Autoencoder

这一部分就是基于 CNN/LSTM 网路的 Autoencoder。

本文最后又做了一个补充，在Autoencoder中引入情境信息。（最简单的情境信息就是类别、时间等）


推荐阅读：
相关文章