Frequency Detection and Change Point Estimation for Time Series of Complex Oscillation
针对非平稳噪声污染的复杂振荡时间序列，提出高维稠密渐进周期图检验与频域相位调整局部变点检测方法，可渐近准确检测频率与变点，适用于生理信号分析，并建立了相关高斯逼近与bootstrap方法。
2023-07-19 math.ST stat.ME stat.TH
Testing for stationarity of functional time series in the frequency domain
对功能性时间序列的兴趣在最近的过去急剧上升，涉及方法和应用的论文以更快的速度出版。本文基于频域方法提出了一种新的函数型时间序列平稳性检验方法。建议的检验统计量是基于联合降维通过功能主成分分析在所有傅立叶频率的频谱密度运营商，明确允许频率依赖的截断水平，以适应潜在的功能时间序列的动态。检验的性质都来自平稳功能时间序列的原假设下和局部平稳功能时间序列的光滑替代。该方法是理论上合理的渐近结果。从模拟研究和应用到年温度曲线的证据表明，测试工作在有限的样本。
2019-04-29 stat.ME
On Learning Time Series Summary DAGs: A Frequency Domain Approach
本文提出一种频域方法，通过在每个频率上定义复值结构因果模型（cSCM），从传递函数模型生成的多元时间序列中唯一识别拓扑排序和摘要DAG，并用模拟与真实数据验证算法性能。
2023-04-17 stat.CO
Detecting frequency modulation in stochastic time series data
提出了一种新的统计检验方法，用于从时间序列数据中识别非平稳调频随机过程。我们的方法使用的瞬时相位作为一个歧视性的统计与可靠的临界值来自替代数据。我们模拟了一个振荡的二阶自回归过程，以评估测试的大小和功效。我们发现，我们提出的测试是能够正确地识别超过99%的非平稳数据时，模拟数据的频率增加了一倍后，上半年的时间序列。我们的方法很容易解释，计算成本低，不需要选择依赖于数据的超参数。
2022-08-05 physics.data-an stat.ME
Online false discovery rate control for anomaly detection in time series
EPFL（洛桑联邦理工学院）；Amazon Research（亚马逊研究院）
本文提出了新的规则，错误发现率控制（FDRC）面向在线异常检测时间序列。在线FDRC规则允许控制一系列统计测试的属性。在异常检测的上下文中，原假设是观察结果是正常的，而替代假设是观察结果是异常的。FDRC规则允许用户在无监督设置中设定精度下限。本文提出的方法克服了以往FDRC规则在异常检测方面的不足，特别是确保功率保持较高，即使当替代方案非常罕见（异常检测中的典型）和测试统计量是连续依赖的（时间序列中的典型）。我们在理论和实验中证明了这些规则的合理性。
2021-12-06 cs.LG math.ST stat.ML
Sequential Outlier Detection in Non-Stationary Time Series
提出一种基于极值理论控制错误概率的非平稳时间序列序贯异常值检测方法，并验证其渐近与有限样本性能。
2025-02-25 math.ST stat.ME stat.TH
HyFAD: Hybrid Time-Frequency Diffusion with Frequency-Aware Embedding for Time Series Imputation
School of Data Science and Engineering（数据科学与工程学院）；East China Normal University（华东师范大学）
提出HyFAD模型，通过耦合时频扩散框架和频率感知步嵌入，实现从时域到频域的渐进式去噪，有效解决频率敏感去噪和高频重建问题，在多个基准数据集上达到最先进性能。
2026-06-03 cs.LG stat.ML
Identifiability and Estimation of Structural Vector Autoregressive Models for Subsampled and Mixed Frequency Time Series
多变量时间序列中的因果推断是具有挑战性的，因为采样率可能没有因果相互作用的时间尺度快。在这种情况下，我们可以将观察到的序列视为所需序列的二次采样版本。此外，由于技术和其他限制，可能会在不同的采样率下观察到序列，这代表了混合频率设置。为了确定时间序列之间的瞬时和滞后效应在真正的因果尺度，我们采取了基于模型的方法，基于结构向量自回归（SVAR）模型。在这种情况下，我们提出了一个统一的框架下的子采样和混合频率的噪声，或冲击，是非高斯的参数可识别性和估计。重要的是，通过研究SVAR的情况下，我们都能够提供可识别性和估计方法的因果结构的滞后和瞬时效应在所需的时间尺度。我们进一步推导出一个精确的期望最大化算法的推理在二次采样和混合频率设置。我们验证我们的方法在模拟场景和两个现实世界的数据集。
2017-04-08 stat.ME
Robust Time Series Dissimilarity Measure for Outlier Detection and Periodicity Detection
DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
动态时间规整（DTW）是一种有效的时间序列相异性度量方法。尽管它很受欢迎，但它容易受到噪声和离群值的影响，这导致了测量中的奇异性问题和偏差。DTW的时间复杂度是时间序列长度的二次函数，这使得它不适用于实时应用。在本文中，我们提出了一种新的时间序列的相异性度量命名为RobustDTW，以减少噪声和离群值的影响。具体来说，RobustDTW估计的趋势，并优化时间扭曲的交替方式，利用我们设计的时间图趋势过滤。为了提高效率，我们提出了一个多层次的框架，估计的趋势和扭曲函数在较低的分辨率，然后反复完善他们在一个更高的分辨率。在RobustDTW算法的基础上，进一步将其扩展到周期性检测和异常时间序列检测。在真实数据集上的实验表明，与DTW变体相比，RobustDTW在离群时间序列检测和周期性检测方面具有优异的性能。
2022-06-07 cs.LG eess.SP stat.AP
Novelty Detection in Time Series via Weak Innovations Representation: A Deep Learning Approach
Cornell University（康奈尔大学）
我们考虑在未知和非参数概率结构的时间序列中的新颖性检测。提出了一种深度学习方法来因果地提取由统计上独立于时间序列的所有过去样本的新颖样本组成的创新序列。提出了一种新颖性检测算法，用于在线检测新息序列中概率结构的新颖性变化。贝叶斯风险度量下的最小最大最优性建立的新颖性检测方法，其鲁棒性和有效性在实验中使用真实和合成数据集证明。
2022-10-24 cs.LG eess.SP stat.ML
FEDformer: Frequency Enhanced Decomposed Transformer for Long-term Series Forecasting
Alibaba Group（阿里巴巴集团）
虽然基于transformer的方法显著改善了长期序列预测的最新结果，但它们不仅计算昂贵，更重要的是，无法捕捉时间序列的全局视图（例如整体趋势）。为了解决这些问题，我们建议将Transformer与季节趋势分解方法相结合，其中分解方法捕获时间序列的全局轮廓，而Transformers捕获更详细的结构。为了进一步提高Transformer的长期预测性能，我们利用大多数时间序列在傅立叶变换等众所周知的基础上往往具有稀疏表示的事实，并开发了频率增强的Transformer。除了更有效，所提出的方法，称为频率增强分解Transformer（{ \bf FEDformer}），是更有效的比标准的Transformer与线性复杂度的序列长度。我们对6个基准数据集的实证研究表明，与最先进的方法相比，FEDformer可以减少预测误差$14.8\%$和$22.6\%$分别为多变量和单变量时间序列。代码可在https://github.com/MAZiqing/FEDformer上公开获取。
2022-06-16 cs.LG stat.ML
Time Series Anomaly Detection Using Convolutional Neural Networks and Transfer Learning
Arundo Analytics（阿伦多分析公司）
时间序列异常检测在自动监测系统中起着至关重要的作用。以前大多数与时间序列异常检测相关的深度学习工作都是基于递归神经网络（RNN）的。在本文中，我们提出了一种基于卷积神经网络（CNN）的异常检测的时间序列分割方法。此外，我们提出了一个迁移学习框架，该框架在大规模合成单变量时间序列数据集上预训练模型，然后在具有先前未见过的异常类别的小规模单变量或多变量数据集上微调其权重。对于多变量的情况下，我们介绍了一种新的网络架构。该方法在多个合成和真实数据集上进行了成功的测试。
2019-05-31 cs.CV cs.LG stat.ML
Dive into Time-Series Anomaly Detection: A Decade Review
Inria（法国国家信息与自动化研究所）；DI ENS（巴黎高等师范学院数字研究所）；PSL（巴黎文理研究大学）；CNRS（法国国家科学研究中心）；The Ohio State University（俄亥俄州立大学）；Université Paris Cité（巴黎西岱大学）；IUF（法国大学研究院）
本文综述了近十年时间序列异常检测研究，提出以过程为中心的分类法对现有方法进行系统归类，并通过文献元分析总结该领域的主要发展趋势。
2024-12-29 cs.AI cs.DB cs.LG
Wavelet variance scale-dependence as a dynamics discriminating tool in high-frequency urban wind speed time series
利用小波变换系数的方差分析方法，研究了城市地区不同高度（1.5 ~ 25.5米）的高频风时间序列。确定了两个范围的尺度，敏感的两个不同的动力学行为的风速：较低的风速计显示较高的小波方差在较小的尺度，而较高的特征在于较高的小波方差在较大的尺度。由于小波尺度和频率之间的关系，结果表明存在两个频率范围，其中风速变率根据风速计从地面的位置而变化。该研究有助于更好地了解城市地区的高频风速，并更好地了解不同高度处的风波动，特别是在城市地区的潜在机制。
2018-11-30 stat.AP
Mixed-Frequency Time Series Forecasting via Depth-Separable Neural Networks
The University of Hong Kong（香港大学）；Shanghai University of Finance and Economics（上海财经大学）
研究混合频率时间序列预测，核心方法是采用深度可分离神经网络及参数共享机制，主要贡献是建立近似理论、推导误差界，模拟与实证表明该方法在预测精度上优于现有混合频率方法。
2026-10-08 stat.ME
Detection of additive outliers in Poisson INteger-valued AutoRegressive time series
在时间序列分析中，经常会遇到离群观测值。本文研究了整数值时间序列中可加性野值的检测问题。我们展示了如何使用吉布斯抽样来检测INAR（1）过程中的离群观测值。所提出的方法说明使用的例子，以及观察到的数据集。
2012-04-29 stat.CO stat.ME
Probabilistic Forecast Combination for Anomaly Detection in Building Heat Load Time Series
研究了建筑热负荷时间序列的自动异常检测问题。异常检测模型必须适用于不同的建筑群，并提供可靠的结果，热负荷时间序列低信噪比，几个季节性，和显着的外源性影响。我们建议采用一种概率预测组合方法的基础上合奏的确定性预测异常检测方案，根据其概率预测分布下的观测值进行分类。我们的经验表明，预测为基础的异常检测提供了更好的准确性时，采用预测组合方法。
2021-11-16 stat.AP
RobustTAD: Robust Time Series Anomaly Detection via Decomposition and Convolutional Neural Networks
DAMO Academy, Alibaba Group Inc.（阿里巴巴集团达摩院）
阿里巴巴集团对大量不同的时间序列数据进行监控和管理，需要一种有效且可扩展的时间序列异常检测服务。在本文中，我们提出了RobustRisk，一个鲁棒的时间序列异常检测框架，通过集成强大的季节趋势分解和卷积神经网络的时间序列数据。季节趋势分解可以有效地处理时间序列中的复杂模式，同时大大简化了神经网络的结构，这是一个具有跳跃连接的编码器-解码器结构。该结构能够有效地从时间序列中提取多尺度信息，在异常检测中具有重要的应用价值。由于时间序列异常检测中标记数据的有限性，本文系统地研究了时域和频域的数据增强方法。利用时间序列异常检测问题的不平衡性，在损失函数中引入了基于标签的权重和基于值的权重。与广泛使用的基于预测的异常检测算法、基于分解的算法、传统的统计算法以及最近的基于神经网络的算法相比，RobustRobust在公共基准数据集上的性能明显更好。它被部署为公共在线服务，并广泛应用于阿里巴巴集团的不同业务场景。
2021-09-18 cs.LG eess.SP stat.AP
An empirical study of neural networks for trend detection in time series
Société Générale CIB（法国兴业银行企业与投资银行）
在噪声时间序列中检测结构是一项困难的任务。一个直观的特征是趋势的概念。从理论上的提示和使用模拟的时间序列，我们实证研究的效率，标准的递归神经网络（RNN）检测趋势。我们展示了某些标准RNN结构相对于其他各种估计器的整体优越性和多功能性。这些RNN可以用作构建更复杂的时间序列趋势估计器的基本模块。
2020-02-28 cs.LG q-fin.ST stat.ML
Cluster-Aware Causal Mixer for Online Anomaly Detection in Multivariate Time Series
University of California, Berkeley（加州大学伯克利分校）
本文提出了一种基于聚类的因果混合器，用于多变量时间序列的在线异常检测，通过聚类处理通道间的相关性，结合因果混合器保持时间因果性，并开发了序列异常评分方法以提高检测准确性。
2026-06-04 cs.LG stat.ML
Detection of a Sparse Change in High-Dimensional Time Series
针对高维时间序列的稀疏变化检测问题，提出基于稀疏似然的得分与变点检测算法，证明其误差概率上界收敛于0，并通过模拟和S&P500数据集验证了有效性。
2025-07-29 stat.ME
Anomaly Detection in Univariate Time-series: A Survey on the State-of-the-Art
Technische Universität Darmstadt（达姆施塔特工业大学）
时间序列数据的异常检测一直是一个重要的研究领域。关于异常检测方法的初步工作一直集中在统计方法上。近年来，越来越多的机器学习算法被用来检测时间序列的异常。随后，研究人员试图使用（深度）神经网络来改进这些技术。鉴于异常检测方法的数量不断增加，研究主体缺乏对统计、机器学习和深度学习方法的广泛比较评估。本文研究了这三类中的20种单变量异常检测方法。评估是在公开的数据集上进行的，这些数据集是时间序列异常检测的基准。通过分析每种方法的准确性以及算法的计算时间，我们对这些异常检测方法的性能提供了深入的了解，同时也提供了一些关于哪种方法适合某种类型数据的一般概念。
2020-04-01 cs.LG stat.ML
When Ramanujan meets time-frequency analysis in complicated time series analysis
为了处理具有复杂振荡结构的时间序列，提出了一种融合短时傅里叶变换（STFT）和周期变换（PT）的时频分析工具。由于许多时间序列以时变的频率、幅度和非正弦振荡模式振荡，直接应用PT或STFT可能不合适。然而，我们表明，通过以适当的方式将它们结合起来，我们获得了一个强大的TF分析工具。我们首先结合Ramanujan和和$l_1$惩罚来实现PT。我们称该算法为Ramanujan PT（RPT）。RPT在其他应用中也有自己的优势，如分析由整数周期分量组成的短信号，但这不是本文的重点。其次，RPT被应用于修改STFT，并产生一个新的TF表示的复杂的时间序列，忠实地反映每个振荡分量的瞬时频率信息。我们提出的TF分析Ramanujan变形（RDS）和矢量化RDS（vRDS）。除了对复杂的生物医学信号进行初步分析外，本文还对RPT进行了理论分析。具体来说，我们表明，RPT是强大的三个常见的噪声，包括包络波动，抖动和加性噪声。
2020-03-31 eess.SP physics.data-an stat.ME
Quantile-Frequency Analysis and Spectral Measures for Diagnostic Checks of Time Series With Nonlinear Dynamics
IBM T. J. Watson Research Center（IBM T.J. 沃森研究中心）
本文提出基于分位数周期图的频谱度量，用于检验金融时间序列模型的诊断及基于模型的判别分析，通过模拟研究和S&P 500指数日对数收益率数据验证了方法的有效性。
2025-11-25 q-fin.ST stat.ME
Conformalized density- and distance-based anomaly detection in time-series data
IITP RAS（俄罗斯科学院信息传输问题研究所）；Skoltech（斯科尔科沃科学技术学院）
时间序列数据中的异常（不寻常的模式）在关键情况下提供了基本的、通常是可操作的信息。在医疗保健、入侵检测、金融、安全和飞行安全等领域都可以找到这样的例子。在本文中，我们提出了新的一致的密度和距离为基础的异常检测算法的一维时间序列数据。该算法使用的特征提取方法的组合，一种方法来评估一个新的观察是否显着不同于以前观察到的数据的分数，并基于共形范式的概率解释这个分数。
2016-08-16 cs.LG stat.AP stat.ML
Multi-scale streaming anomalies detection for time series
在单变量时间序列的流异常检测算法中，计算各种统计量的滑动窗口的大小是一个重要参数。为了解决时间序列的伪周期性的尺度的异常变化，我们定义了一个流多尺度异常分数与流PCA在多尺度滞后矩阵。我们定义了三种多尺度异常分数的聚合方法。我们评估他们在Yahoo！和Numenta数据集，用于无监督异常检测基准。据作者所知，这是第一次提出并系统研究了多尺度流异常检测。
2017-06-21 stat.AP
TAnoGAN: Time Series Anomaly Detection with Generative Adversarial Networks
Queensland University of Technology（昆士兰科技大学）
时间序列数据的异常检测是制造业、医学成像和网络安全等应用领域面临的一个重要问题。近年来，生成对抗网络（GAN）在图像域的生成和异常检测方面受到了关注。在本文中，我们提出了一种新的基于GAN的无监督方法TAnoGan，用于在少量数据点可用时检测时间序列中的异常。我们用46个真实世界的时间序列数据集来评估TAnoGan，这些数据集涵盖了各个领域。大量的实验结果表明，TAnoGan表现优于传统的和神经网络模型。
2020-09-25 cs.CV cs.LG stat.ML
Simultaneous Detection of Multiple Change Points and Community Structures in Time Series of Networks
在许多复杂系统中，网络和图以自然的方式出现。通常，时间演化行为可以很容易地发现和建模使用时间序列方法。其中，网络分析中两个常见的研究问题是社区发现和变点检测。社区发现的目的是发现网络中的特定子结构，而变点检测则试图发现子结构发生变化的时间点。我们提出了一种新的方法来检测社区结构和变化点同时基于模型选择框架，其中最小描述长度原则（MDL）被用作最小化的客观标准。一系列的数值实验和实际数据分析表明，该方法具有良好的实用性能。
2020-06-30 cs.SI physics.soc-ph stat.ME
Time-Series Anomaly Detection Service at Microsoft
University of Chinese Academy of Sciences（中国科学院大学）；Peking University（北京大学）；Microsoft（微软）
大型公司需要实时的监控其应用程序和服务的各种指标（例如，页面浏览量和收入）。在微软，我们开发了一种时间序列异常检测服务，帮助客户持续监控时间序列，并及时提醒潜在的事件。在本文中，我们介绍了我们的异常检测服务的管道和算法，它被设计为准确，高效和通用。该流水线由三个主要模块组成，包括数据摄取、实验平台和在线计算。针对时间序列异常检测问题，提出了一种基于谱残差（SR）和卷积神经网络（CNN）的异常检测算法。我们的工作是第一次尝试借用SR模型从视觉显著性检测领域的时间序列异常检测。此外，我们创新性地将SR和CNN结合在一起，以提高SR模型的性能。与公共数据集和Microsoft生产数据的最新基线相比，我们的方法实现了卓越的实验结果。
2019-06-10 cs.LG stat.ML
CRATOS: Cognition of Reliable Algorithm for Time-series Optimal Solution
Huawei Technologies Co.（华为技术有限公司）
时间序列异常检测在可靠性系统工程中发挥着重要作用。然而，在实际应用中，在不同的应用场景中，正常和异常行为之间没有精确定义的边界。因此，对不同情况下的时间序列应采用不同的异常检测算法和过程。虽然这种策略提高了异常检测的准确性，但从业人员需要花费大量时间将各种算法配置到数百万系列，这大大增加了异常检测流程的开发和维护成本。在本文中，我们提出了CRATOS，这是一个自适应的算法，提取特征的时间序列，然后聚类到一组具有相似特征的序列。对于每个组，我们利用进化算法来搜索最佳的异常检测方法和流程。我们的方法可以显着降低异常检测的开发和维护成本。实验结果表明，本文提出的聚类方法取得了较好的效果。本文提出的异常检测算法的准确率为85.1%。
2020-10-15 cs.LG cs.NE stat.ML
A Frequency Domain Test for Propriety of Complex-Valued Vector Time Series
本文提出了一种频域方法来检验复值向量时间序列是适当的假设，即，用于测试矢量时间序列是否与其复共轭不相关。如果该假设被拒绝，则将识别引起拒绝的频带，并且该频带可能有用地与物理过程的已知属性相关。该测试需要相关的光谱矩阵，该矩阵可以通过使用例如$K$锥度的多锥度方法来估计。检验统计量的标准渐近分布没有用，因为它们需要$K \rightarrow \infty,$，但是随着$K$增加，分辨率带宽也增加，这会导致光谱模糊。在许多分析$K$是必须保持小，因此我们的努力是针对小$K.$的假设检验的实用和准确的方法。我们的广义似然比统计量结合精确的累积量匹配给出了非常准确的拒绝百分比，优于其他方法。我们还证明，统计检验的基础上，是由典型的相干性所产生的从我们的复值向量时间序列。我们的方法证明了在拉布拉多海不同深度收集的海流数据。总的来说，这项工作扩展的结果适当测试复值向量的复值向量时间序列设置。
2016-05-19 stat.AP stat.ME
Robust Monitoring of Time Series with Application to Fraud Detection
时间序列通常包含异常值和水平移动或结构变化。这些意外事件对欺诈检测至关重要，因为它们可以查明可疑交易。这种异常事件的存在很容易误导传统的时间序列分析，得出错误的结论。在本文中，我们提供了一个统一的框架，检测异常值和水平移动短时间序列，可能有一个季节性模式。该方法结合了FastLTS算法的思想，用于稳健回归和交替最小二乘法。提出了双楔形图，这是一种指示异常值和潜在电平变化的图形显示。该方法的制定是为了发现潜在的欺诈案件的时间序列进口到欧洲联盟，并说明了两个这样的系列。
2018-05-20 stat.CO
Graph-Augmented Normalizing Flows for Anomaly Detection of Multiple Time Series
Pennsylvania State University（宾夕法尼亚州立大学）；MIT-IBM Watson AI Lab, IBM Research（IBM研究院MIT-IBM沃森人工智能实验室）
异常检测是针对各种各样的数据类型的广泛研究的任务;其中，多个时间序列频繁地出现在应用中，包括例如电网和交通网络。然而，检测多个时间序列的异常是一个具有挑战性的课题，因为组成序列之间存在复杂的相互依赖关系。我们假设异常发生在低密度区域的分布和探索使用规范化流的无监督异常检测，因为他们的质量优越的密度估计。此外，我们提出了一种新的流量模型，通过施加贝叶斯网络之间的组成系列。贝叶斯网络是一种有向无环图（DAG），它对因果关系进行建模;它将序列的联合概率分解为易于评估的条件概率的乘积。我们把这种图增强的归一化流方法称为GANF，并提出了DAG与流参数的联合估计。我们在真实世界的数据集上进行了广泛的实验，并证明了GANF在密度估计，异常检测和时间序列分布漂移识别方面的有效性。
2022-05-08 cs.LG stat.ML
Forecasting high-frequency financial time series: an adaptive learning approach with the order book data
本文提出了一种以预测为中心的自适应学习模型，结合过去对订单簿和高频数据的研究，并将其应用于假设检验。在以往文献的基础上，本文对沪深300指数期货市场高频买卖数据进行统计分析，并对未来一步价格进行预测。传统的时间序列问题，例如ARIMA顺序选择，平稳性，以及潜在的金融应用都涵盖在探索性数据分析中，这为自适应学习模型铺平了道路。通过设计和运行学习模型，我们发现它与顶级固定模型相比表现良好，有些模型可以通过更稳定和更适应非平稳性来提高预测准确性。假设检验的应用程序与滚动窗口显示，并进一步潜在的应用，金融和统计概述。
2021-02-27 econ.EM q-fin.ST q-fin.TR
Warping Resilient Scalable Anomaly Detection in Time Series
IIT Palakkad（帕拉克卡德印度理工学院）；Queen’s University Belfast（贝尔法斯特女王大学）
时间序列数据在包括医疗保健、社交媒体和犯罪监控在内的各个领域的现实问题中无处不在。在时间序列数据中检测异常或不规则和罕见事件，可以使我们能够在任何自然现象中发现异常事件，这可能需要特殊处理。此外，标记的异常实例很难在时间序列数据中获得。另一方面，时间序列数据，由于其性质，往往表现出局部膨胀和压缩的时间维度，这就是所谓的翘曲。这两个挑战使得难以检测时间序列中的异常，因为通常这种扭曲可能被错误地检测为异常。我们的目标是建立一个异常检测模型，是强大的这种翘曲变化。在本文中，我们提出了一种新的无监督的时间序列异常检测方法，WaRTEm-AD，分两个阶段进行操作。在表示学习的关键阶段，我们采用数据增强，通过定制的时间序列操作符，通过一个双自动编码器架构，学习扭曲的时间序列数据的鲁棒表示。其次，采用最先进的异常检测方法的适应性学习表示，以识别异常。我们将说明WaRTEm-AD旨在检测两种类型的时间序列异常：点和序列异常。我们将WaRTEm-AD与最先进的基线进行比较，并在异常检测性能和计算效率方面建立了我们的方法的有效性。
2021-10-02 cs.LG stat.ML
Robust Dominant Periodicity Detection for Time Series with Missing Data
DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
周期性检测是时间序列分析中的一项重要任务，但由于时间序列数据具有突变趋势、异常值、噪声、尤其是块缺失数据等多种特征，周期性检测仍然是一个具有挑战性的问题。本文提出了一种鲁棒有效的时间序列块缺失周期检测算法。我们首先设计了一个鲁棒的趋势滤波器，以消除缺失数据下复杂趋势模式的干扰。然后，我们提出了一个强大的自相关函数（ACF），可以有效地处理缺失值和离群值。严格证明了当丢失块长度小于周期长度的$1/3$时，所提出的鲁棒ACF仍然可以很好地工作。最后，结合时频信息，我们的算法可以准确地产生周期长度。实验结果表明，我们的算法优于现有的周期性检测算法在真实世界的时间序列数据集。
2023-03-06 cs.LG eess.SP stat.AP
NVAE-GAN Based Approach for Unsupervised Time Series Anomaly Detection
近年来，人们利用变分自动编码器（VAE）进行了大量的时间序列异常检测研究。时间序列异常检测在网络监控、设备维护、信息安全等领域有着重要的作用，但由于时间序列中存在大量的噪声数据和复杂的异常模式，很难对时间序列进行高精度的异常检测。从最近的研究中，我们受到新VAE（NVAE）的启发，并提出了我们的异常检测模型：时间序列图像VAE（T2IVAE），一个无监督的模型，基于单变量序列的NVAE，将一维时间序列转换为二维图像作为输入，并采用重建误差来检测异常。此外，我们还将基于生成对抗网络的技术应用于T2IVAE训练策略，旨在减少过拟合。我们在三个数据集上评估了模型的性能，并使用F1得分将其与其他几种流行的模型进行了比较。T2IVAE在Numenta Anomaly Benchmark上达到0.639，在NASA的公共数据集上达到0.651，在我们收集的真实场景数据集上达到0.504，优于其他比较模型。
2021-01-08 cs.LG stat.ML
A review on outlier/anomaly detection in time series data
Ikerlan Technology Research Centre（伊克兰技术研究中心）；University of the Basque Country (UPV/EHU)（巴斯克大学（UPV/EHU））；Basque Center for Applied Mathematics (BCAM)（巴斯克应用数学中心（BCAM））
最近的技术进步为数据汇集带来了重大突破，使大量数据能够随着时间的推移而收集，从而生成时间序列。在过去的几年里，挖掘这些数据已经成为研究人员和从业人员的一项重要任务，包括检测可能代表错误或感兴趣事件的离群值或异常。本文旨在提供一个结构化的和全面的国家的最先进的离群检测技术的背景下，时间序列。为此，提出了一个分类的基础上的主要方面，特征的离群值检测技术。
2020-02-11 cs.LG stat.ML
A Nonparametric Frequency Domain EM Algorithm for Time Series Classification with Applications to Spike Sorting and Macro-Economics
我提出了一个频域适应的期望最大化（EM）算法组一个家庭的时间序列类相似的动态结构。它通过将每个信号（或功率谱）的离散傅里叶变换（DFT）的幅度视为单位圆上的概率密度/质量函数（pdf/pmf）来实现：具有相似动态的信号具有相似的pdf;不同的模式具有不同的pdf。这种方法的优点是，它不依赖于任何参数形式的动态结构，但可以用于非参数，鲁棒和无模型分类。这种新方法适用于形状相似的非平稳信号以及具有相似自相关结构的平稳信号。神经尖峰排序（非平稳）和模式识别中的社会经济时间序列（平稳）的应用程序证明了所提出的方法的有用性和广泛的适用性。
2011-10-02 physics.data-an stat.AP stat.ME
Intrinsic Anomaly Detection for Multi-Variate Time Series
University of Toronto（多伦多大学）；Vector Institute（向量研究所）；Zalando Research（Zalando研究院）；Morgan Stanley（摩根士丹利）；Technical University of Munich（慕尼黑工业大学）；Amazon Research（亚马逊研究院）
我们介绍了一种新的，在多变量时间序列中的异常检测问题的实际相关的变化：内在异常检测。它出现在从DevOps到物联网的各种实际场景中，我们希望识别在周围环境影响下运行的系统的故障。内在异常是表示环境的时间序列与表示置于所述环境中的系统的内部状态的时间序列之间的函数依赖性结构的变化。我们正式提出这个问题，提供了研究不足的公共和新的专用数据集，并提出了处理固有异常检测的方法。这些解决了现有异常检测方法的缺点，即不能区分系统状态的预期变化和意外变化，系统中偏离环境影响的变化。我们最有前途的方法是完全无监督的，并结合了对抗学习和时间序列表示学习，从而解决了标签稀疏性和主观性等问题，同时允许导航和改进臭名昭著的有问题的异常检测数据集。
2022-06-29 cs.LG stat.ML
Fisher-Shannon complexity analysis of high-frequency urban wind speed time series
本文用Fisher-Shannon（FS）分析方法研究了城区不同高度（1.5 ~ 25.5米）1Hz风场的时间序列。FS分析是通过量化时间序列的有序/无序特性来洞察非线性系统的复杂行为的众所周知的方法。我们的研究结果表明，FS的复杂性，定义为产品之间的费舍尔信息措施和香农熵功率，从地面风速计的高度降低，表明高度依赖的变化，在城市布局中测量的高频风速的有序/无序的功能。此外，风速的FS复杂度与环境温度的日方差之间的相关性表现出类似的降低与风传感器的高度。这种相关性在较低的风速计中更大，表明环境温度是近地面风速变率的重要强迫。
2018-12-03 stat.AP
FreDN: Spectral Disentanglement for Time Series Forecasting via Learnable Frequency Decomposition
FreDN通过可学习的频域分解方法，有效解决时间序列预测中的频谱纠缠问题，提升预测精度并降低计算成本
2026-02-06 cs.LG stat.ML
Anomaly Detection on Seasonal Metrics via Robust Time Series Decomposition
Web服务的稳定性和持久性对于互联网公司改善用户体验和业务绩效至关重要。为了关注众多指标并报告异常情况，时间序列异常检测方法被开发并被公司和机构的各个部门应用。在本文中，我们提出了一个强大的异常检测算法（MEDIFF），实时监测在线业务指标。具体而言，分解方法使用强大的统计度量-中位数-的时间序列被应用到解耦的趋势和季节成分。在考虑夏令时偏移和节假日影响的情况下，对时间序列进行分解。对分解后的残差进行广义统计检验，发现时间序列中的异常值。我们比较了建议MEDIFF算法与两个开源算法（SH-ESD和DONUT），通过使用我们标记的内部业务指标。实验结果证明了所提出的MEDIFF算法的有效性。
2020-08-21 stat.AP
Anomaly detection by partitioning of multi-variate time series
IRIT, Université Toulouse 3 - Paul Sabatier, CNRS（图卢兹第三大学（保罗·萨巴捷大学）IRIT研究所，法国国家科学研究中心）；IRIT, Université Toulouse 2 - Jean Jaurès, CNRS（图卢兹第二大学（让·饶勒斯大学）IRIT研究所，法国国家科学研究中心）
针对多变量时间序列异常检测，提出无监督方法 PARADISE，通过聚类相关系数划分变量并在子集上局部检测，实验显示性能显著提升。
2025-09-22 cs.LG eess.SP stat.ML
Multivariate Time-series Anomaly Detection via Graph Attention Network
Microsoft（微软）；Peking University（北京大学）
多元时间序列的异常检测在数据采掘研究和工业应用中具有重要意义。最近的方法在这一主题上取得了重大进展，但仍然存在局限性。一个主要的限制是，它们没有明确地捕捉不同时间序列之间的关系，导致不可避免的误报。在本文中，我们提出了一种新的自监督框架的多元时间序列异常检测来解决这个问题。我们的框架将每个单变量时间序列视为一个单独的特征，并包括两个并行的图形注意力层，以学习多变量时间序列在时间和特征维度上的复杂依赖关系。此外，我们的方法联合优化基于预测的模型和基于构造的模型，通过单时间戳预测和整个时间序列的重构相结合，获得更好的时间序列表示。我们通过大量的实验证明了我们的模型的有效性。所提出的方法优于其他国家的最先进的模型在三个真实世界的数据集。进一步的分析表明，我们的方法具有良好的解释性，是有用的异常诊断。
2020-09-04 cs.LG stat.ML
Frequency-Domain Analysis of Time Series with Network-Structured Dependence: Application to Global Bank Connectedness
University of York（约克大学）
本文提出频域分析框架，用于研究全球银行网络中的时间序列依赖性，通过频域方法揭示跨节点依赖性在不同周期的变化，以捕捉间接金融溢出效应。
2026-04-03 stat.ME
RePAD: Real-time Proactive Anomaly Detection for Time Series
Norwegian University of Science and Technology（挪威科技大学）；Simula Research Laboratory（Simula研究实验室）
在过去的十年中，许多异常检测方法已被引入到不同的领域，如网络监控，欺诈检测和入侵检测。然而，它们需要理解数据模式，并且通常需要很长的离线时间来为目标数据构建模型或网络。在没有人工干预和领域知识的情况下为流式时间序列提供实时的和主动的异常检测是非常有价值的，因为它大大减少了人工努力，并且使得能够在灾难性损坏、故障或其他有害事件发生之前采取适当的对策。然而，这一问题尚未得到很好的研究。为了解决这个问题，本文提出了RePAD，这是一种基于长短期记忆（LSTM）的流时间序列实时的主动异常检测算法。RePAD利用短期历史数据点来预测和确定即将到来的数据点是否是异常可能在不久的将来发生的迹象。通过随时间动态调整检测阈值，RePAD能够容忍时间序列中的微小模式变化，并主动或及时检测异常。基于从Numenta Anomaly Benchmark收集的两个时间序列数据集的实验表明，RePAD能够主动检测异常并在没有人为干预和领域知识的情况下实时的提供早期预警。
2023-01-09 cs.LG stat.ML
Anomaly Detection on Graph Time Series
本文利用变分递归神经网络研究了图时间序列的异常检测问题。时间相关性由递归神经网络（RNN）和变分推理（VI）的组合来建模，而空间信息由图卷积网络来捕获。为了更好地考虑外部因素，我们使用特征提取器来增加隐变量的转换，从而可以学习外部因素的影响。以累积ELBO为目标函数，可以方便地将该模型推广到在线方法。对交通流数据的实验研究表明了该方法的检测能力。
2022-05-29 cs.LG cs.NE stat.ML
An Evaluation of Anomaly Detection and Diagnosis in Multivariate Time Series
最近提出了几种多变量时间序列异常检测技术，但缺乏对一组常见的数据集和度量的系统比较。本文对基于无监督和半监督深度学习的方法进行了系统和全面的评估，用于对来自网络物理系统的多变量时间序列数据进行异常检测和诊断。与以前的作品不同，我们通过10个模型和4个评分函数的网格来改变模型和模型误差的后处理，即评分函数彼此独立，将这些变体与最先进的方法进行比较。在时间序列异常检测中，检测异常事件比检测单个异常时间点更重要。通过实验，我们发现现有的评价指标要么没有考虑事件，要么不能区分好的检测器和平凡的检测器，如随机检测器或全正检测器。我们提出了一个新的度量，以克服这些缺点，即，复合F分数（$Fc_1$），用于评估时间序列异常检测。我们的研究强调，动态评分函数的工作比静态的多变量时间序列异常检测，评分函数的选择往往比选择的基础模型更重要。我们还发现，一个简单的通道模型-单变量全连接自动编码器，具有动态高斯评分函数，是异常检测和诊断的获胜候选者，击败了最先进的算法。
2021-09-23 cs.AI cs.LG stat.ML
Anomaly Detection at Scale: The Case for Deep Distributional Time Series Models
Amazon Research（亚马逊研究院）
本文介绍了一种用于检测时间序列数据中异常的新方法，主要应用于监控（微）服务和云资源的健康状况。在我们的方法中的主要新颖之处是，而不是建模的时间序列组成的真实值或向量的真实值，我们模型的时间序列的概率分布的真实值（或向量）。这种对概率分布时间序列的扩展允许该技术应用于常见场景，其中数据由进入服务的请求生成，然后以固定的时间频率聚合。我们的方法适合于流式异常检测，并可扩展到数百万个时间序列上的异常监测。我们展示了我们的方法在合成和公共真实世界数据上的优越准确性。在Yahoo Webscope数据集上，我们在4个数据集中的3个数据集中表现优于最先进的技术，并且我们表明，对于真实世界的数据集，我们的表现优于流行的开源异常检测工具，平均提高高达17%。
2020-07-30 cs.LG stat.ML
Benchmarking Unsupervised Strategies for Anomaly Detection in Multivariate Time Series
IBM Research Paris-Saclay（IBM巴黎萨克雷研究中心）；LPNHE（LPNHE实验室）；Sorbonne Université（索邦大学）；Université Paris Cité（巴黎城市大学）；CNRS/IN2P3 Paris（巴黎国家科学研究中心/IN2P3）
本文研究了基于transformer的多变量时间序列异常检测方法，重点评估iTransformer架构，并从参数影响、标签提取、异常数据缓解及多数据集对比四个方面进行全面基准测试。
2025-06-25 cs.LG stat.ME
