时序离群点检测方法研究的综述报告.docx

时序离群点检测方法研究的综述报告
时序离群点检测（TimeSeriesOutlierDetection，简称TSOD）是指在时间序列中检测出不符合正常行为模式的数据点。因为时间序列数据在许多领域中都有大量的应用，例如金融、医疗和天气预测等领域，因此TSOD也变得越来越重要。
传统的异常检测方法主要是基于统计学，它们使用离群点检测算法来定位在分布上显著区别于其他数据点的异常值，如Box-plot和Z-score，但由于时间序列数据具有时间相关性，因此这些方法无法很好地应用于时间序列数据中。最近的研究表明，TSOD所涉及的难点是检测时序中潜在的离散事件，例如季节性变化、趋势变化和周期性变化等。
在过去的几十年中，许多学者已经提出了各种基于时序的离群点检测方法。在这些方法中，有些是传统的基于统计学的离群点检测方法的变种，例如Grubbs、Dixon和Tuckey等。其中一些方法是由传统的基于统计学的方法和机器学习技术结合的，例如ARIMA、孪生自动编码器和集成方法等。此外，还有其他一些方法，例如深度学习和图像处理技术等。
基于统计学的方法是最早被应用于TSOD中的方法之一，它们通常是基于异常点与其他数据点非常不同的前提下，使用假设检验和Z-score等技术来检测异常点的。这些方法在时间序列数据集的某些情况下效果很好，但是通常不能准确检测出时序中的周期性和趋势变化等情况。
基于机器学习的TSOD方法通常是使用已知的合法时间序列来训练模型，然后使用训练好的模型来检测新的未知时间序列中的离群点。这些方法依赖于对未知数据的建模能力和准确性，同时还需要足够的训练数据以获得良好的模型性能。例如，孪生自动编码器方法可以通过比较重构时间序列与原始时间序列的误差来区分异常点。这种模型可以通过提高重构误差的阈值来提高准确性。
最近，深度学习技术已经被越来越多地应用于时间序列中的异常检测中，例如使用LSTM网络和卷积神经网络（CNN）等来实现。这些方法通常是用神经网络来提取时间序列数据中的特征，然后通过学习合法时间序列模式来定位离群点。
TSOD的研究仍然是一个积极发展的领域，各种新的方法和技术不断涌现。目前，基于深度学习技术的方法在性能上取得了很大的进步，但仍需进一步验证其在复杂时间序列中的鲁棒性和可靠性。如何选择合适的模型和算法来解决不同的时间序列问题仍需要进一步探索和研究。