基于名义度评分与逐点/序列重建的时间序列异常检测

由于可能出现的模式复杂且多样，时间序列异常检测具有挑战性。一个主要困难在于建模时间依赖关系以发现上下文异常，同时保持对点异常的检测精度。本文提出一种利用基于点和基于序列的重建模型的无监督时间序列异常检测框架。基于点的模型试图量化点异常，而基于序列的模型试图量化点异常与上下文异常。在观测时间点是从名义时间点两阶段偏离值的表述下，我们引入由重建误差组合值之比计算得到的名义度评分（nominality score）。我们通过进一步整合名义度评分与异常评分推导出诱导异常评分，并从理论上证明在特定条件下诱导异常评分优于原始异常评分。在多个公开数据集上的广泛研究表明，所提框架优于大多数最先进的时间序列异常检测基线。