本文是一篇关于时间序列异常检测（Time-Series Anomaly Detection, TSAD）的综述性教程，由Qinghua Liu、Paul Boniol、Themis Palpanas和John Paparrizos共同撰写，发表于2024年的《PVLDB》期刊。该教程旨在为研究人员和数据分析师提供一个全面的视角，涵盖从20世纪80年代到最新技术的时间序列异常检测算法，并深入探讨了该领域的最新进展，特别是在基准测试和评估方法方面的创新。
时间序列异常检测是数据科学中的一个基础任务，广泛应用于科学研究和工业领域。随着传感器、网络和处理技术的进步，时间序列数据的收集变得日益普遍。异常检测旨在识别那些不符合预期行为的数据点，这些异常可能源于传感器故障或系统行为的异常变化。近年来，时间序列异常检测引起了越来越多的关注，尤其是在物联网（IoT）和大数据背景下。
本教程的目标是： 1. 介绍时间序列异常检测的动机，描述不同类型的异常及其检测算法的分类。 2. 讨论最新的基准测试和实验评估方法，分析评估过程中存在的挑战。 3. 探索自动化异常检测解决方案的最新趋势，提出新的分类法并激发进一步研究。
教程首先定义了时间序列及其异常类型。时间序列可以是单变量（univariate）或多变量（multivariate）的，静态的或流式的（streaming）。异常类型包括点异常（point anomalies）、上下文异常（contextual anomalies）和集体异常（collective anomalies）。点异常是指单个数据点与整体数据显著不同；上下文异常是指数据点在特定上下文中表现异常；集体异常则是指一系列数据点不符合预期的模式。
教程将异常检测算法分为以下几类： - 基于距离的方法（Distance-based approaches）：通过计算子序列与给定模型的距离来检测异常。 - 基于密度的方法（Density-based methods）：通过评估数据点或子序列的密度来检测异常。 - 基于预测的方法（Prediction-based methods）：包括基于预测的（forecasting-based）和基于重构的（reconstruction-based）方法。前者使用过去的值预测未来值，并将预测误差作为异常评分；后者则通过重构时间序列并使用重构误差作为异常评分。
教程详细讨论了如何评估异常检测方法，包括传统的评估指标（如精确度、召回率和F1分数）以及针对时间序列的改进指标（如范围基变体、AUC和VUS）。此外，教程还介绍了最新的基准测试研究，分析了不同方法在不同数据集上的表现，并指出了现有基准测试的局限性。
教程提出了自动化异常检测解决方案的分类法，包括模型选择（model selection）和模型生成（model generation）。模型选择通过内部评估或元学习（meta-learning）选择最佳模型；模型生成则通过集成学习（ensembling）或伪标签（pseudo-labeling）生成新的模型。教程还探讨了未来研究方向，如领域泛化、在线设置中的挑战以及增量自动化解决方案的开发。
教程总结了时间序列异常检测领域的最新进展，特别是自动化解决方案的兴起。尽管目前没有一种通用的异常检测方法适用于所有时间序列领域，但自动化解决方案为解决这一问题提供了新的思路。教程还强调了未来研究的方向，包括改进基准测试实践和开发更高效的自动化异常检测方法。
本教程不仅为研究人员提供了时间序列异常检测的全面知识，还通过交互式系统和自动化解决方案的讨论，推动了该领域的研究进展。教程的发表有望激发更多关于时间序列异常检测的研究，特别是在自动化解决方案和基准测试改进方面。