基于矩阵谱的多维时间序列异常检测
机器学习
2026-04-09 v2 人工智能
数据库
摘要
矩阵谱（Matrix Profile，MP）是一种用于时间序列数据挖掘的通用工具，已显示出在时间序列异常检测（TSAD）中有效。本文深入探讨了多维时间序列异常检测的问题，这在实际应用中十分常见。例如，在制造业工厂中，多个传感器分布在整个设施中收集随时间变化的数据进行分析。矩阵谱之名源于其在存储单变量时间序列子序列间成对距离的矩阵的轮廓方面。当处理多维情形时，矩阵谱变得复杂。如果输入的单变量时间序列包含 n 个子序列，则成对距离矩阵为 n 乘以 n 的矩阵。对于包含 d 个维度的多维时间序列，必须将成对距离信息存储在 n 乘以 n 乘以 d 的张量中。本文首先分析了将该张量压缩为特征向量的不同策略。随后，我们研究了将 MP 扩展为高效查找 k 最近邻以进行异常检测的潜力。最后，我们在 119 个多维 TSAD 数据集上对多维 MP 与 19 个基线方法进行基准测试。实验覆盖三种学习设置：无监督、监督和半监督。在所有设置下，MP 是唯一能持续提供高性能的方法。为确保完全透明并促进未来研究，我们的完整基于矩阵谱的实现包括对 TSB-AD 基准的新评估，已公开于：https://github.com/mcyeh/mmpad_tsb
引用
@article{arxiv.2409.09298,
title = {Matrix Profile for Anomaly Detection on Multidimensional Time Series},
author = {Chin-Chia Michael Yeh and Audrey Der and Uday Singh Saini and Vivian Lai and Yan Zheng and Junpeng Wang and Xin Dai and Zhongfang Zhuang and Yujie Fan and Huiyuan Chen and Prince Osei Aboagye and Liang Wang and Wei Zhang and Eamonn Keogh},
journal= {arXiv preprint arXiv:2409.09298},
year = {2026}
}
备注
https://github.com/mcyeh/mmpad_tsb