多变量时间序列异常检测

Question

我有一个时间序列数据，如下所示的示例数据。正如您所看到的，我有四个事件以及不同时间之间每个事件发生的总数。

一小时后，我将获得每个事件的新发生次数，因此我想根据该事件的历史水平判断该数字是否异常。 我认为如果我为每个事件构建四个不同的回归，这很容易，但在现实生活中，我可能有很多事件，这会降低效率，所以我想知道解决这个问题的最佳方法是什么？我应该尝试什么型号？我读到了有关 KNN 的内容，但不需要分类标签，而我的情况却没有？

Answer 1

这是时间序列数据的示例，您可以尝试以下步骤（按此顺序）：

• 绘制数据以获得直观的理解
• 使用简单的 z 分数异常检测
• 使用滚动平均值和滚动标准异常检测
• 基于ARMA的模型
• STL（季节性分解黄土）
• 基于LTSM的深度学习模型

我假设此 TS 数据是单变量，因为尚不清楚事件是否相关（您没有提供名称或上下文）。如果它们相关，您可以看到它们的相关程度（相关性和整合）并对相关性进行一些异常检测。

Answer 2

在多元时间序列异常检测问题中，您必须考虑两件事：

1. 每个时间序列内的时间依赖性。一般来说，你可以使用一些预测方法如AR、ARMA、ARIMA来预测你的时间序列。在此基础上，你可以将它的实际值与预测值进行比较，看看是否存在异常。
2. 所有时间序列之间的空间依赖性。在固定时间点，比如t，您可以使用传统的异常检测方法，例如基于KNN、GMM、k-means、KDE、PCA的方法来执行异常检测。

最具挑战性的事情是同时考虑时间依赖性和空间依赖性。据了解，现有的基于机器学习的传统方法都无法完成这项工作。相比之下，一些基于深度学习的方法（例如[1][2]）已被提出来完成这项工作。