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