A Pattern Discovery Approach to Multivariate Time Series Forecasting
社会进程的不断数字化转化为时间序列数据的激增,这些数据涵盖了欺诈检测、入侵检测和能源管理等应用,在这些应用中,异常检测通常对提高可靠性和安全性至关重要。最近的许多研究都是针对时间序列数据的异常检测。事实上,时间序列异常检测领域具有数据、方法和评估策略多样化的特点,现有研究的比较只考虑了这种多样性的一部分,这使得难以针对特定问题选择最佳方法。针对这一不足,介绍了数据、方法和评估策略的分类方法,利用这些分类方法对无监督时间序列异常检测进行了全面的概述,并系统地评估和比较了最先进的传统和深度学习技术。在使用9个公开数据集的实证研究中,在公平的实施标准下,将最常用的性能评估指标应用于典型方法。基于分类法提供的结构,报告了实证研究,并以比较表的形式提供了指导方针,以选择最适合特定应用程序设置的方法。最后,提出了该动态领域的研究方向。
时间相关性是指历史观测值对未来观测值的影响
多元相关是指一个时间序列对另一个时间序列的影响。
本文提出一种新的深度自回归高斯过程模型,称为自回归高斯过程(AutoGP),集成了一种不同的机制来训练一个能够捕获全局时间和全局多元相关性的预测模型。具体来说,我们将整个时间序列划分为子序列。但没有像现有方法那样忽略它们的全局时间和多元相关性,而是在训练过程中捕捉并考虑这些相关性。 首先,我们使用稀疏注意力结构来捕获局部时间相关性,因为