本文是由Gen Li和Jason J. Jung共同撰写，发表于2023年的《Information Fusion》期刊第91卷，第93-102页。两位作者均来自韩国首尔的中앙大学（Chung-Ang University）计算机工程系。该研究主要探讨了深度学习在多变量时间序列异常检测中的应用、方法、挑战及其在不同领域的应用。

研究背景

异常检测（Anomaly Detection）是数据挖掘中的一个重要任务，旨在识别与大多数数据显著不同的数据点。近年来，随着深度学习技术的发展，基于深度学习的异常检测方法在多变量时间序列分析中得到了广泛应用。多变量时间序列数据广泛存在于医疗、工业、自然科学等领域，分析这些数据以提取有用信息已成为一个重要的研究方向。然而，传统的异常检测方法在处理复杂数据结构时表现不佳，尤其是在医学图像和序列数据中，传统方法难以捕捉数据的复杂结构。因此，深度学习技术因其自动特征学习能力而成为解决时间序列异常检测问题的有效工具。

研究目标

本文的主要目标是对多变量时间序列中的异常检测技术进行系统回顾，并将其分为三类：异常时间点（Abnormal Time Points）、异常时间区间（Abnormal Time Intervals）和异常时间序列（Abnormal Time Series）。此外，本文还总结了这些技术在不同领域的应用，并提供了公开的多变量时间序列数据集，以供研究者评估其异常检测方法。

研究方法与流程

本文详细回顾了多变量时间序列异常检测的各类技术，并对其进行了分类和总结。具体来说，研究分为以下几个步骤：

1. 异常时间点检测：异常时间点通常表示某个时间点上的噪声或事件。检测这类异常的基本思路是使用回归模型预测时间序列的未来值，然后计算预测值与真实值之间的差异。如果差异超过设定的阈值，则该时间点被识别为异常。常用的方法包括长短期记忆网络（LSTM）和自编码器（Autoencoder）。例如，Nguyen等人（2021）使用LSTM模型预测时间序列值，并通过自编码器提取特征，最终通过计算预测值与真实值之间的误差来检测异常。

2. 异常时间区间检测：异常时间区间通常表示某个时间段内发生的事件。检测这类异常的主要方法是使用LSTM自编码器模型重建每个时间区间，并计算输入与重建区间之间的差异。如果差异超过某个阈值，则该时间区间被识别为异常。此外，动态图（Dynamic Graph）方法也被用于检测异常时间区间。例如，Deng和Hooi（2021）结合深度学习结构和图神经网络（GNN）来检测时间区间异常。

3. 异常时间序列检测：异常时间序列是指与数据集中其他时间序列显著不同的时间序列。检测这类异常的主要方法是通过降维技术，如主成分分析（PCA），将时间序列映射到低维特征空间，并通过比较不同时间序列的相似性来识别异常。例如，Beggel等人（2019）使用形状学习（Shapelet Learning）方法从时间序列中提取形状特征，并通过深度学习模型检测异常时间序列。

主要结果

本文总结了各类异常检测技术的应用场景及其在不同领域中的表现。例如，在工业物联网（IIoT）领域，异常时间点检测被用于检测网络攻击；在金融领域，异常时间点检测被用于欺诈检测；在医疗领域，异常时间区间检测被用于癫痫发作检测。此外，本文还提供了多个公开的多变量时间序列数据集，供研究者评估其异常检测方法。

结论与意义

本文系统回顾了多变量时间序列异常检测的各类技术，并将其分为异常时间点、异常时间区间和异常时间序列三类。通过总结这些技术的应用场景和公开数据集，本文为研究者提供了宝贵的参考资源。此外，本文还指出了当前异常检测领域面临的挑战，如异常的可解释性（Explainability）和早期异常检测（Early Anomaly Detection）等问题，为未来的研究方向提供了重要启示。

研究亮点

1. 异常分类：本文将多变量时间序列中的异常分为三类，并详细回顾了每类异常的检测方法。
2. 应用广泛：本文总结了异常检测技术在多个领域的应用，包括工业物联网、金融、医疗等。
3. 数据集提供：本文提供了多个公开的多变量时间序列数据集，为研究者评估其方法提供了便利。
4. 挑战与未来方向：本文指出了异常检测领域面临的挑战，如异常的可解释性和早期异常检测，为未来的研究提供了方向。

其他有价值的内容

本文还讨论了阈值选择（Threshold Selection）方法，包括基于箱线图（Box-Plot）的方法和非参数动态阈值方法（Non-parametric Dynamic Thresholding）。这些方法在异常检测中起到了关键作用，能够有效提高检测的准确性。

总的来说，本文为多变量时间序列异常检测领域的研究者提供了全面的技术回顾和应用总结，具有重要的学术价值和实际应用意义。