监测金融安全、工业安全、医疗状况、气候和污染需要分析大量时间序列数据。此分析中的一个关键步骤涉及识别偏离数据集的异常点、模式或事件。这称为“异常检测”，使用数据挖掘技术执行。

尽管深度学习方法已广泛应用于异常检测，但没有一种通用技术适用于各个领域的多种应用。此外，关于多变量时间序列异常检测的现有研究仅关注该方法，而不检查其挑战。

韩国中央大学的一组研究人员现在通过总结基于异常检测的应用程序来解决这一差距。该团队包括JasonJ.Jung教授和GenLi博士，评估了当前最先进的异常检测技术，并解决了与之相关的挑战。

(资料图片)

他们的工作在信息融合中提供。

“我们的基础研究课题是多变量时间序列中的异常检测。在这篇综述中，我们总结了相同的方法、挑战和应用，“荣格教授解释说。研究人员二人组在多个变量的时间序列异常检测方面进行了广泛的工作，并且之前发表了他们在癫痫发作检测，气候监测和金融欺诈监测方面的工作，最终导致本综述。

该团队首先将异常分为三种类型，即异常时间点，时间间隔和时间序列。接下来，他们强调，在基于深度学习的人工神经网络中，长短期记忆(LSTM)和自动编码器最常用于检测异常时间点和时间间隔。

此外，他们还讨论了替代方法，例如动态图，用于检查时间序列之间的关系特征并检测异常时间间隔。还深入总结了现行技术的当前局限性，强调了异常的根源。

最后，两人全面概述了多变量时间序列中异常检测的应用。他们策划了开放获取时间序列数据集，并讨论了与多变量时间序列中的异常检测相关的开放研究问题和挑战。

基于深度学习的异常检测方法的潜力是深远的，正如Jung教授推测的那样，“我相信这篇综述将帮助研究人员找到适当的方法来检测各自工作领域的异常。例如，在科学领域，人们可以很容易地找到本文中的开放获取数据集和相应的最先进的异常检测方法。对于工业应用，可以方便地在本综述中找到适当的异常检测技术来识别损坏和故障”。

至于所涉及的挑战，开发一个模型来解释检测到的异常具有相当大的价值，因为它可以帮助我们理解为什么首先发生异常。“挑战在于确定异常时间点与导致异常的时间点之间的关系，”荣格教授说。

综上所述，本综述为各个领域选择适当的异常检测技术以及开发更有效的异常检测技术提供了宝贵的资源。