面向时间序列异常检测的完整预测基框架：在 Numenta 异常基准 (NAB) 上的基准测试
机器学习
2025-10-14 v1
摘要
时间序列异常检测是现代数字基础设施的关键任务，但现有方法缺乏系统的跨域评估。我们提出了完整的预测基框架，统一经典方法（Holt-Winters、SARIMA）与深度学习架构（LSTM、Informer），以统一的残差检测界面实现集成。我们的模块化管道集成了预处理（归一化、STL 分解）、四种预测模型、四种检测方法，以及通过预测指标（MAE、RMSE、PCC）和检测指标（Precision、Recall、F1、AUC）的双重评估。我们在 Numenta 异常基准（58 个数据集、7 个类别）上进行首次完整评估，包含 232 次模型训练和 464 次检测评估，实现 100% 成功率。LSTM 在复杂模式上表现最佳（F1: 0.688，在 81% 数据集中名次前两），相关性卓越（PCC: 0.999）。Informer 提供具竞争力的精度（F1: 0.683），训练速度快 30%。经典方法在简单合成数据上实现完美预测，成本仅为 60，但在真实数据集上 F1 分数低 2-3。预测质量主导检测性能：检测方法之间的差异（F1: 0.621-0.688）小于预测模型之间的差异（F1: 0.344-0.688）。我们的发现提供了基于证据的指导方针：复杂模式使用 LSTM、效率至上的部署使用 Informer、资源受限的简单周期数据使用经典方法。该完整实现和结果为未来基于预测的异常检测研究奠定了基准。
引用
@article{arxiv.2510.11141,
title = {A Comprehensive Forecasting-Based Framework for Time Series Anomaly Detection: Benchmarking on the Numenta Anomaly Benchmark (NAB)},
author = {Mohammad Karami and Mostafa Jalali and Fatemeh Ghassemi},
journal= {arXiv preprint arXiv:2510.11141},
year = {2025}
}