基于重构的状态空间模型的时间序列异常检测
机器学习
2023-10-10 v3 人工智能
摘要
数字化的最新进展使得各领域多元时间序列数据可得，从而实现操作的实时监控。识别异常数据模式并检测潜在故障在这些场景中十分重要但颇具挑战。本文中，我们提出一种新颖的无监督时间序列异常检测方法。所提框架联合学习观测模型与动态模型，并从正常样本中估计模型不确定性。具体而言，采用基于长短期记忆（LSTM）的编码器-解码器表示观测空间与潜在空间之间的映射。利用前向与后向时间信息同时建模状态的双向转移。潜在空间的正则化对正常样本的状态施加约束，并使用马氏距离评估异常程度。在合成与真实世界数据集上的实证研究表明所提方法在异常检测任务中的优越性能。
引用
@article{arxiv.2303.03324,
title = {Time series anomaly detection with reconstruction-based state-space models},
author = {Fan Wang and Keli Wang and Boyu Yao},
journal= {arXiv preprint arXiv:2303.03324},
year = {2023}
}