时间序列是一类重要的时间数据对象，可以很容易地从科学和金融应用中获得，并且时间序列的异常检测已成为当前的热门研究课题。 这项调查旨在提供有关异常检测研究的结构化和全面的概述。 在本文中，我们讨论了异常的定义，并根据每种技术采用的基本方法将现有技术分为不同的类别。 对于每个类别，我们都会确定该类别中该技术的优缺点。 然后，我们简要介绍一下最近的代表性方法。 此外，我们还指出了有关多元时间序列异常的一些关键问题。 最后，讨论了有关异常检测的一些建议，并总结了未来的研究趋势，有望对时间序列和其他相关领域的研究者有所帮助。

RSM-GAN: A Convolutional Recurrent GAN for Anomaly Detection in Contaminated Seasonal Multivariate Time Series

是第一篇、第二篇论文的PPT，打开可以看到动画版的，可能更直观一些。 《一种硬盘故障预测的非监督对抗学习方法》和《Lifelong Disk Failure Prediction via GAN-based Anomaly Detection》

RNN时间序列异常检测 在Pytorch中实现的基于RNN的时间序列异常检测器模型。 这是基于RNN的时间序列异常检测器的一种实现，它由时间序列预测和异常分数计算的两阶段策略组成。 要求 Ubuntu 16.04+（在Windows 10上报告了错误。请参阅。欢迎提出建议。） Python 3.5+ 火炬0.4.0+ 脾气暴躁的 Matplotlib Scikit学习 数据集 1.纽约市出租车乘客人数 提供的纽约市出租车乘客数据流 Cui，Yuwei等人进行了预处理（以30分钟为间隔汇总）。 在中 ， 2.心电图（ECG） ECG数据集包含对应于心室前收缩的单个异常 3. 2D手势（视频监控） 视频中手势的XY坐标 4.呼吸 一个病人的呼吸（通过胸廓扩展测量，采样率10Hz） 5.航天飞机 航天飞机Marotta阀的时间序列 6.电力需求 荷兰研究机构一年的电力需求 时

异常检测 使用自动编码器的单变量时间序列异常检测教程 自动编码器在德累斯顿的杜托·阿诺玛利检测站

基于递归神经网络的自动编码器 PyTorch实现， 目录： 项目结构： 项目结构基于以下 ├── agents | └── rnn_autoencoder.py # the main training agent for the recurrent NN-based AE ├── graphs | └── models | | └── recurrent_autoencoder.py # recurrent NN-based AE model definition | └── losses | | └── MAELoss.py # contains the Mean Absolute Error (MAE) loss | | └── MSELoss.py # contains the Mean Squared Error (MSE) loss ├── datasets

Unsupervised Anomaly Detection in Energy Time Series Data using Variational Recurrent Autoencoders with Attention 使用带有注意力机制的变分自编码器进行能量时间序列数据的无监督异常检测

有关多维时间序列数据异常检测的精选论文7篇，最新总结

DEEP AUTOENCODING GAUSSIAN MIXTURE MODEL FOR UNSUPERVISED ANOMALY DETECTION 用于非监督异常检测的深度自编码高斯混合模型

博客中第三、四篇论文的PPT版本（里面含有动画，看起来更容易理解一些） 《2018Detecting Spacecraft Anomalies Using LSTMs and Nonparametric Dynamic Thresholding》和《2019MAD-GAN: Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks》