基于 LSTM 与 TCN 模型的时间序列数据异常检测比较研究
机器学习
2021-12-20 v1 性能
摘要
存在若干数据驱动方法使我们能够对时间序列数据建模，包括传统的基于回归的建模方法（如 ARIMA）。近来，深度学习技术已被引入并在时间序列分析与预测的背景下得到探索。一个主要的研究问题是这些众多变体的深度学习技术在预测时间序列数据时的性能。本文比较了两种突出的深度学习建模技术。基于循环神经网络（RNN）的长短期记忆网络（LSTM）与基于卷积神经网络（CNN）的时间卷积网络（TCN）被进行比较，并报告了它们的性能与训练时间。根据我们的实验结果，两种建模技术表现相当，其中基于 TCN 的模型略优于 LSTM。此外，基于 CNN 的 TCN 模型比基于 RNN 的 LSTM 模型更快地构建出稳定模型。
引用
@article{arxiv.2112.09293,
title = {A Comparative Study of Detecting Anomalies in Time Series Data Using LSTM and TCN Models},
author = {Saroj Gopali and Faranak Abri and Sima Siami-Namini and Akbar Siami Namin},
journal= {arXiv preprint arXiv:2112.09293},
year = {2021}
}
备注
15 pages, 3 figures, IEEE BigData 2021