时间序列预测/相似性搜索/异常检测

综述

KDD 2021丨时间序列相关研究论文汇总

时序数据的训练集与测试集怎么构建？

机器学习做多维时间序列预测
用机器学习算法构造时间序列预测模型，关键的思路在于，通过时间滑窗，人为地构造“未来”Target，来给算法进行学习。如下图所示：

时间序列的特征和距离表示

时间序列聚类
（多种距离：闵可夫斯基距离、马氏距离、 DTW距离、相似性距离等）

时间序列预测

时间序列预测方法总结
#22 知识分享：时间序列深度学习综述

Prophet：适用于形态较稳定，有周期特性的数据，同时考虑了节假日的特性。由于Prophet采用傅里叶级数来处理周期性因子，导致一般夜间(波动较小)的数据情况较难预测准确；它更关注整体的波动状态，对一些局部信息的捕捉较差。

时序异常检测

一文了解时间序列异常检测（也包括了一些时序预测的方法，通过预测来做异常检测）（对时序异常检测进行了分类和比较）

时间序列异常检测（一）—— 算法综述
时间序列异常检测（二）—— 基于KDD99数据集的实战
【论文分享】–多维时间序列异常检测
时序异常检测算法概览

AutoEncoder 是一种典型的无监督方法，可以将其扩展为 variational AutoEncoder，或者引入情景信息，从而扩展为 Conditional Variational AutoEncoder（CVAEs (Conditional Variational Auto-Encoders)）。

基于自编码器的时间序列异常检测算法
基于VAE的改进模型Dount
【智能运维】-基于联合VAE的无监督异常检测（在 VAE 中引入情境/条件信息。最典型的情境信息就是时间信息。）

AIOps探索：基于VAE模型的周期性KPI异常检测方法（keras实现）

Informer: 效率超过Transformer的长时序预测方法

时间序列相似性搜索

DTW在万亿规模时间序列数据上的相似度搜索
时间序列分析 | 相似性度量基本方法

Deep Learning Embeddings for Data Series Similarity Search—KDD2021
源码地址

源码

• VAE-for-Anomaly-Detection
  简介：MLP_VAE, Anomaly Detection, LSTM_VAE, Multivariate Time-Series Anomaly Detection，IndRNN_VAE, High_Frequency sensor Anomaly Detection,Tensorflow

• Unsupervised-Online-Deep-Learning-Framework-for-Anomaly-Detection-in-Time-Series
  简介：两中时序数据异常检测方法
  （1）online方法
  In the online settings, the time series data are divided into fixed-sized segments, and each segment is seen as an exmple:
  （1.1）Multilayer Perceptron(MLP): predict the next elements based on the previous segment
  （1.2）1 D Convolutional Auto-encoder: reconstruct the given segment as input
  （1.3）Variational 1D Convolutional Auto-encoder: reconstruct the given segment as input
  （2）seq2seq方法
  In the seq2seq settings, following sequence to sequence models are employed to do the so-called iterative inference, that is to say, predict only one step ahead in an iteration, and with the predicted point added to the input, move to the next iteration:
  （2.1）Wavenet
  （2.2）LSTM

• VAE_Clustering

• 一个提供web服务的基于VAE的时序处理代码：glance
  简介：实现了1DVAE，2DVAE，聚类等