17、时间序列异常检测：LSTM与TCN模型详解

时间序列异常检测：LSTM与TCN模型详解

1. LSTM模型在时间序列异常检测中的应用

在时间序列分析领域，长短期记忆网络（LSTM）是一种强大的工具，可用于检测异常。以下是几个不同的时间序列数据集及其异常检测情况。

1.1 数据集及特点

数据集名称	特点	异常情况
art_daily_no_noise.csv	无噪声或异常，是正常的时间序列数据集	无真实异常，模型拟合良好，预测值与实际数据接近
art_daily_nojump.csv	-	可通过可视化绘制时间序列，将时间戳转换为日期时间并删除时间戳列，显示日期时间与值列的关系
art_daily_jumpsdown.csv	-	异常可能是4月11日后不久出现的尖峰，但当前模型预测方式下，该尖峰未达到足够高的预测误差以被列为前0.1%的误差
art_daily_perfect_square_wave.csv	-	由于拟合不完美导致的重建误差，即使拟合效果较强，阈值处理仍会标记出异常