时序异常检测方法的比较

Question

经过几天的研究，我可以对现有的对时间序列进行异常检测的方法进行一次全面的了解，即：

• 深度学习预测。例如：RADM或LSTM模型
• 没有深度学习的预测。例如：季节ARIMA + 卡尔曼滤波器
• 用自动编码器去噪固定长度的窗口(深度学习方法)。例如：MAD，CNN/LSTM自动编码器，变分自动编码器等。
• 去噪不需要深入学习。例如：应用卡尔曼或霍德里克普雷斯科特等滤波器，检验原时间序列预测值的偏差是否在阈值以下。

也许还有更多的方法不能归类到这个截图中。

我的问题是，取决于可能发生的数据集类型，哪种方法更适合开发一个timeseries异常系统的需要：

• 以单变量的方式检测异常，但允许多变量后验积分。
• 适用于在线数据流和运行时的适应/学习。
• 能够学习包含多个季节性的数据分布。
• 加号可能允许在任何步骤上进行半监督的改进.

注:考虑可能有不同趋势的时刻表；无，一个或多个季节性；裁剪/步骤/连续时间序列；或多或少缺少数据，等等。

Answer 1

我在这里推荐FB预言家作为时间序列预测的算法之一。它有助于包括线性和非线性趋势的时间序列数据，季节性，假日效应和额外的预测特征作为额外的回归者。