单变量时间序列中的异常检测：前沿方法综述
机器学习
2020-04-02 v1 机器学习
摘要
时间序列数据的异常检测长期以来一直是一个重要的研究领域。异常检测方法的开创性工作集中于统计方法。近年来，越来越多的机器学习算法被开发用于检测时间序列中的异常。随后，研究人员尝试使用（深度）神经网络改进这些技术。鉴于异常检测方法数量的不断增加，现有研究缺乏对统计、机器学习和深度学习方法进行广泛的比较评估。本文研究了来自这三类方法的20种单变量异常检测方法。评估在公开可用的数据集上进行，这些数据集作为时间序列异常检测的基准。通过分析每种方法的准确性以及算法的计算时间，我们提供了关于这些异常检测方法性能的深入见解，并给出了关于哪种方法适用于某类数据的一些一般性认识。
引用
@article{arxiv.2004.00433,
title = {Anomaly Detection in Univariate Time-series: A Survey on the State-of-the-Art},
author = {Mohammad Braei and Sebastian Wagner},
journal= {arXiv preprint arXiv:2004.00433},
year = {2020}
}