RobustSTL: A Robust Seasonal-Trend Decomposition Algorithm for Long Time Series
Alibaba Group（阿里巴巴集团）
将复杂的时间序列分解为趋势、季节和剩余分量是促进时间序列异常检测和预测的重要任务。尽管已经提出了许多方法，但仍然有许多时间序列特征表现在现实世界的数据中没有得到适当的解决，包括：1）处理季节性波动和偏移的能力，以及趋势和提醒的突变; 2）对异常数据的鲁棒性; 3）对长季节性周期时间序列的适用性。在本文中，我们提出了一种新的和通用的时间序列分解算法来解决这些挑战。具体来说，我们提取的趋势分量鲁棒地解决回归问题，使用最小绝对偏差损失与稀疏正则化。在提取趋势的基础上，应用非局部季节性滤波提取季节性成分。重复该过程，直到获得准确的分解。不同的合成和真实世界的时间序列数据集上的实验表明，我们的方法优于现有的解决方案。
2018-12-05 cs.LG eess.SP stat.AP
STR: Seasonal-Trend Decomposition Using Regression
我们提出了一种分解季节性数据的新方法：STR（使用回归的季节趋势分解）。与其他分解方法不同，STR允许多个季节性和周期性分量、协变量、可能具有非整数周期的季节性模式以及具有复杂拓扑的季节性。它可用于具有任何常规时间索引的时间序列，包括小时、日、周、月或季度数据。它与现有的方法竞争时，他们存在，但处理更多的分解问题比其他方法允许。STR基于正则化优化，因此与岭回归有些相关。因为它是基于统计模型，我们可以很容易地计算置信区间的组件，这是不可能与大多数现有的分解方法（如STL，X-12-ARIMA，SEATS-TRAMO等）。我们的模型在R包stR中实现，因此任何人都可以将其应用于自己的数据。
2021-07-01 stat.ME
STD: A Seasonal-Trend-Dispersion Decomposition of Time Series
Czestochowa University of Technology（琴斯托霍瓦工业大学）
时间序列的分解是一项基本任务，有助于理解其本质。它便于分析和预测复杂的时间序列表达各种隐藏的成分，如趋势，季节性成分，周期性成分和不规则波动。因此，它在许多领域的预测和决策过程中至关重要。近年来，人们发展了许多时间序列分解方法，它们提取和揭示了不同的时间序列特性。不幸的是，他们忽略了一个非常重要的性质，即时间序列方差。为了处理时间序列中的异方差性，本文提出了一种季节性趋势离散分解（STD）方法，提取时间序列的趋势、季节性分量和与离散相关的分量。我们用两种方式定义STD分解：有和没有不规则分量。我们展示了如何STD可以用于时间序列分析和预测。
2022-04-21 cs.LG stat.ME
OneShotSTL: One-Shot Seasonal-Trend Decomposition For Online Time Series Anomaly Detection And Forecasting
Alibaba Group（阿里巴巴集团）
提出OneShotSTL算法，通过O(1)复杂度的在线季节-趋势分解，解决实时时间序列分析延迟问题，速度提升超千倍且保持高精度。
2023-04-04 cs.AI cs.DB cs.LG
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
Developing an Unsupervised Real-time Anomaly Detection Scheme for Time Series with Multi-seasonality
University of Warwick（华威大学）；South China University of Technology（华南理工大学）；Research Institute of Worldwide Byte Information Security（环球字节信息安全研究院）；University of Birmingham（伯明翰大学）
时间序列异常的在线检测是机器人系统监控、智能传感器网络和数据中心安全等各种事件敏感场景中的关键技术。然而，数据源的日益多样化和需求的多样性使这项任务比以往任何时候都更具挑战性。首先，未标记数据的快速增长意味着监督学习在许多情况下变得不太适合。其次，时间序列数据中有很大一部分具有复杂的季节性特征。第三，在线异常检测需要快速可靠。鉴于此，我们已经开发了一个预测驱动的，无监督的异常检测方案，它采用了骨干模型相结合的时间序列数据的分解和推理。此外，我们提出了一种新的度量，局部趋势不一致性（LTI），和一个有效的检测算法，计算LTI在一个实时的【形】方式和评分的每个数据点鲁棒的概率是异常的。我们已经进行了广泛的实验，以评估我们的算法与来自公共存储库和生产环境的几个数据集。实验结果表明，我们的计划优于现有的代表性异常检测算法在常用的度量，曲线下面积（AUC），同时达到预期的效率。
2021-04-23 cs.LG cs.SY eess.SY
Mixed pooling of seasonality for time series forecasting: An application to pallet transport data
Seoul National University（首尔大学）；Korea Aerospace University（韩国航空大学）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
多个季节模式在时间序列预测中起着关键作用，特别是对于季节性影响往往很大的商业时间序列。以前的方法，包括傅立叶分解，指数平滑，和季节自回归积分移动平均（SARIMA）模型没有反映季节模式中每个时期的独特特征。我们提出了一个混合层次季节性（MHS）模型。首先估计每个季节周期的中间参数，并采用中间参数的混合。这导致一个模型，自动学习每个季节性的相对重要性，并解决它们之间的相互作用。该模型是实现与斯坦，概率语言，并与现有的三个模型在现实世界的数据集的托盘运输从物流网络进行了比较。我们的新模型在样本预测误差（MAPE）和预测密度（ELPD）方面与完全池化，傅立叶分解和SARIMA模型相比取得了相当大的改进。
2020-12-02 cs.LG stat.AP stat.ML
LSTM-MSNet: Leveraging Forecasts on Sets of Related Time Series with Multiple Seasonal Patterns
Monash University（莫纳什大学）
生成具有多个季节性周期的时间序列的预测是当今许多行业的重要用例。在这些情况下，有必要考虑到多季节模式，以产生更准确和有意义的预测。在本文中，我们提出了长短期记忆多季节网络（LSTM-MSNet），一个基于分解的，统一的预测框架，预测具有多个季节模式的时间序列。该领域的现有技术通常是单变量方法，其中独立地估计每个时间序列的模型参数。因此，这些模型无法包括时间序列集合可能共享的关键模式和结构。相比之下，LSTM-MSNet是一个全局训练的长短期记忆网络（LSTM），其中跨所有可用的时间序列构建单个预测模型，以利用一组相关时间序列中的交叉序列知识。此外，我们的方法结合了一系列最先进的多季节分解技术来补充LSTM学习过程。在我们的实验中，我们能够证明，在来自不同数据源的数据集上，例如流行的M4预测竞赛，分解步骤是有益的，而在来自单个应用程序的同质序列的常见现实情况下，外源季节变量或根本没有季节预处理是更好的选择。所有选项都很容易包含在框架中，使我们能够在这两种情况下实现有竞争力的结果，优于许多最先进的多季节预测方法。
2020-04-27 cs.LG cs.NE stat.AP
KEDformer:Knowledge Extraction Seasonal Trend Decomposition for Long-term Sequence Prediction
School of Information Technology, Guangxi Police College（广西警察学院信息技术学院）；Juniata College（朱尼亚塔学院）
针对Transformer类模型长序列预测计算效率低、泛化性差的问题，提出融合季节-趋势分解的知识提取驱动框架KEDformer，通过聚焦自注意力高信息量权重降本、分量分解增强模式捕捉能力，在5个跨领域数据集上验证了有效性。
2024-12-06 cs.AI cs.LG stat.ML
ST-MTM: Masked Time Series Modeling with Seasonal-Trend Decomposition for Time Series Forecasting
Ulsan National Institute of Science and Technology（乌山国立科学技术研究院）
ST-MTM提出基于季节-趋势分解的掩码时间序列建模框架，通过周期掩码和子序列掩码分别处理季节与趋势分量，并结合对比学习，在时间序列预测中取得优于现有方法的性能。
2025-06-13 cs.AI cs.LG stat.ML
Detection of collective and point anomalies in the presence of trend and seasonality
研究在时间序列数据中存在趋势和季节性时检测集体和点异常的问题，核心方法是能同时检测两类异常并考虑趋势和季节性模式的新方法，贡献是建立统计理论，经模拟研究和实际应用验证了方法的有效性。
2026-07-20 math.ST stat.AP stat.ME
Revisiting the Seasonal Trend Decomposition for Enhanced Time Series Forecasting
University of Louisiana at Lafayette, Lafayette, LA, USA（路易斯安那州立大学拉斐特分校）；University of Delaware, Newark, DE, USA（德克萨斯大学达勒姆分校）
本文通过改进季节趋势分解方法，提出双MLP模型提升时间序列预测的精度与效率。
2026-02-06 cs.LG stat.ML
ADSaS: Comprehensive Real-time Anomaly Detection System
Korea University（高丽大学）
随着海量数据的增长，对自主和通用异常检测系统的需求也在增加。然而，开发一个独立的通用异常检测系统，是准确和快速的仍然是一个挑战。在本文中，我们提出了传统的时间序列分析方法，季节性自回归综合移动平均（SARIMA）模型和季节性趋势分解黄土（STL），检测复杂和各种异常。通常，SARIMA和STL仅用于平稳和周期性的时间序列，但通过结合，我们表明它们可以高精度地检测数据的异常，即使是噪声和非周期性的。我们将该算法与长短期记忆（LSTM）进行了比较，后者是一种用于异常检测系统的基于深度学习的算法。我们使用了七个真实世界的数据集和四个人工数据集具有不同的时间序列属性，以验证所提出的算法的性能。
2018-11-30 cs.LG stat.ML
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
QBSD: Quartile-Based Seasonality Decomposition for Cost-Effective RAN KPI Forecasting
Global AI Accelerator, Ericsson（爱立信全球人工智能加速器）
提出QBSD，一种基于四分位数的季节性分解实时单步预测方法，在数千小区RAN KPI数据上实现高运行效率与竞争性预测精度，优于现有算法。
2024-11-04 cs.LG stat.ML
Time Series Analysis of Big Data for Electricity Price and Demand to Find Cyber-Attacks part 2: Decomposition Analysis
在本文中，在第一部分（使用ACI评估的ADF测试）已经进行，时间序列（TS）进行了分解分析。事实上，TS由四个分量组成，包括趋势（长期行为或序列的进展），周期性分量（通常是长期的非周期性波动行为），季节性分量（由于温度，天气条件等季节性变化而引起的周期性波动）。错误术语对于我们的网络攻击检测的情况下，在本文中，TS分解的两种常见的方法进行了研究。第一种方法是加法分解，第二种是乘法分解的TS到它的组件。分解后，使用Durbin-Watson和Breusch-Godfrey测试来测试错误项，以查看错误是否遵循任何可预测的模式，可以得出结论，系统有可能受到网络攻击。
2019-07-30 eess.SP stat.ML
Variations on two-parameter families of forecasting functions: seasonal/nonseasonal Models, comparison to the exponential smoothing and ARIMA models, and applications to stock market data
我们介绍了24个双参数家庭先进的时间序列预测功能，使用一种新的和非参数的方法。我们还介绍了供电的概念，并推导出非季节性和季节性模型的例子在教育，销售，金融和经济。我们比较我们的24个模型的性能，霍尔特-温特斯和ARIMA模型的非季节性和季节性时间序列。我们特别表明，我们的模型不仅不需要分解成趋势，季节性和随机成分的季节性时间序列，但也导致大幅降低绝对误差和更高数量的预测比霍尔特-温特斯和ARIMA模型。最后，我们使用标准普尔500指数467家公司的五年股票市场数据，应用并比较了我们的24个模型的性能。
2022-07-13 math.ST q-fin.ST stat.ME
Rethinking Nonstationarity in Time Series: A Deterministic Trend Perspective
STSA模型从确定性趋势视角重新审视时间序列非平稳性，通过分解趋势和季节成分，有效识别结构性断裂并提升预测精度。
2025-11-25 stat.AP
Analyzing Taiwanese traffic patterns on consecutive holidays through forecast reconciliation and prediction-based anomaly detection techniques
本研究提出一种基于协调OLS预测和自助法预测区间的异常检测方法，分析台湾连续假期高速公路交通模式，发现不同方向与路段的异常差异，为交通管理提供决策支持。
2024-04-29 stat.AP
Unsupervised Consensus-Based Anomaly Detection for Spatiotemporal Malaria Incidence in Ghana
Ghana Space Science and Technology Institute, Ghana Atomic Energy Commission（加纳空间科学与技术研究所，加纳原子能委员会）；Department of Medical Microbiology, University of Ghana Medical School（加纳大学医学院医学微生物学系）
利用基于共识的异常检测框架分析加纳2014 - 2023年月度疟疾监测数据，发现时空异常特征及异常负担与频率的空间差异，能区分高发区与异常传播区，助力加强疟疾监测与防控。
2026-07-24 cs.AI cs.CE cs.ET
Anomaly Detection in Spatio-Temporal Data: Theory and Application
本文综述了多元SPC、扫描统计和张量分解三种时空异常检测方法，并在300张太阳活动图像上验证了它们分别适用于稀疏异常、聚集异常和具有时间循环性等理想模式的异常。
2023-09-18 stat.AP stat.ME
Feedforward Neural Network for Time Series Anomaly Detection
Tencent Company（腾讯公司）；National University of Singapore（新加坡国立大学）
时间序列异常检测通常被表述为发现相对于一些通常数据的异常数据点，这也是工业界和学术界的一个重要问题。为了确保系统稳定运行，互联网公司，银行和其他公司需要监控时间序列，这被称为KPI（关键性能指标），如CPU使用量、订单数、在线用户数等。然而，数以百万计的时间序列有几种形状（例如，季节性KPI、定时任务的KPI和所使用的CPU的KPI），使得很难使用简单的统计模型来检测所有类型的时间序列的异常。虽然一些异常检测器已经发展了很多年，一些监督模型也可以在这个领域，我们发现许多方法都有自己的缺点。在本文中，我们提出了我们的系统，这是基于深度前馈神经网络和检测时间序列的异常点。我们的系统与其他基于监督模型的系统之间的主要区别在于，我们不需要对时间序列进行特征工程来训练深度前馈神经网络，这本质上是一个端到端的系统。
2018-12-21 cs.AI cs.LG stat.ML
SEA: A Combined Model for Heat Demand Prediction
Beijing University of Posts and Telecommunications（北京邮电大学）；University College London（伦敦大学学院）；Shandong University（山东大学）；Mälardalen University（梅拉达伦大学）；Tianjin University of Commerce（天津商业大学）
热需求预测是智能能源网络领域的一个重要研究课题。周期性是热需求的重要特征之一。基于LOESS的季节趋势分解（STL）算法可以分析热需求序列的周期性，将其分解为季节分量和趋势分量。然后，分别预测季节分量和趋势分量，并将它们的预测组合在一起作为热需求预测是预测热需求的一种可能方式。将常用的Elman神经网络（ENN）和自回归积分滑动平均（ARIMA）模型相结合，提出了STL-ENN-ARIMA（SEA）组合模型。ENN和ARIMA分别用于预测季节和趋势分量。实验结果表明，所提出的SEA模型具有良好的性能。
2018-07-28 cs.LG stat.ML
Adaptive Thresholding Heuristic for KPI Anomaly Detection
Ericsson（爱立信）
针对现有时间序列离群点检测不符合业务异常定义的问题，提出可结合任意分解方法与离群检测器的自适应阈值启发式方法ATH，在爱立信数据集上验证了其高效可扩展、适配性强的优势。
2023-08-21 cs.LG stat.ML
Stacked Residuals of Dynamic Layers for Time Series Anomaly Detection
Cranberry-Lemon University（蔓越莓柠檬大学）；University of the Witwatersrand（金山大学）
我们提出了一个端到端的可微神经网络架构，通过将序列概率比测试的预测残差进行异常检测的多元时间序列。该架构是一个级联的动态系统，旨在将信号的线性可预测成分（如趋势和季节性）与非线性成分分开。前者由局部线性动态层建模，其残差被馈送到一个通用的时间卷积网络，该网络还聚合来自不同时间序列的全局统计数据，作为每个时间序列的局部预测的上下文。最后一层实现了异常检测器，它利用预测残差的时间结构来检测孤立点异常和设定点变化。它是基于一个新的应用程序的经典的F-SUM算法，适应通过使用变分近似的f-发散。该模型自动适应观测信号的时间尺度。它在一开始就近似SARIMA模型，并自动调整到信号及其协变量的统计数据，而无需监督，因为观察到更多的数据。由此产生的系统，我们称之为STRIC，在多个异常检测基准上优于最先进的鲁棒统计方法和深度神经网络架构。
2022-02-25 cs.LG cs.SY eess.SY
Meteorological and human mobility data on predicting COVID-19 cases by a novel hybrid decomposition method with anomaly detection analysis: a case study in the capitals of Brazil
Universidade Federal de São Paulo (UNIFESP)（圣保罗联邦大学）
2020年，巴西是拉丁美洲COVID-19病例最多的国家，首都城市受疫情影响最严重。巴西的气候因国家的领土延伸、地形、地理和其他因素而异。由于最常见的COVID-19症状与呼吸系统有关，许多研究人员研究了COVID-19病例数量与温度，湿度，降雨量等气象变量之间的相关性。此外，由于其高传播率，一些研究人员分析了人类流动性对COVID-19传播动态的影响。在预测COVID-19病例的传播时，缺乏考虑这两个变量的文献。本文分析了COVID-19病例数量与人口流动性之间的相关性，以及巴西首都的气象数据。我们发现，这些变量之间的相关性取决于城市所在的地区。我们使用与COVID-19病例显著相关的变量来预测巴西所有首都的COVID-19感染人数，并提出了一种结合Ensemble Empirical Mode Decomposition（EEMD）方法和自回归积分移动平均外源输入（ARIMAX）方法的预测方法，我们称之为EEMD-ARIMAX。在分析结果后，使用基于信号处理的异常检测方法进一步研究了不良预测。计算测试表明，EEMD-ARIMAX实现了预测比ARIMAX高26.73%。此外，平均均方根误差（RMSE）的30.69%的改善时，注意到应用EEMD-ARIMAX方法的异常检测后归一化的数据。
2021-05-10 cs.LG stat.AP
Low-Rank and Structured Sparse Tensor Decomposition for Anomaly Detection in Multivariate Functional Data
Georgia Institute of Technology（佐治亚理工学院）
针对多元函数数据异常检测，提出ES-CP和FG-Lasso两种无监督稀疏张量分解方法，通过低秩CP分解和结构化稀疏惩罚，在模拟与锻造案例中显著提升检测与定位性能。
2026-10-07 cs.LG stat.AP stat.CO
