multivariate time series anomaly detection survey

• Detecting spacecraft anomalies using lstms and nonparametric dynamic thresholding (Hundman et al. [2018])---宇航员，开源，将多通道分成单通道。

本文创新之处有两个：提出一种动态、无监督的确定阈值的方法；重新判定是否异常以减少误报率。

  本文只向后预测一步，并且只预测一个维度，收集每一步的误差组成误差向量，并对误差向量做指数平滑处理，然后根据平滑后的数据计算阈值。但是文章中计算阈值公式部分写的不规范，暂时还没有看懂。

 

  得到阈值后，找出高于阈值的样本点标记为异常，然后作者为了降低误报率，对高于阈值的残差做降序排列，再补充低于阈值的最大残差，计算相邻两个残差的下降率。将下降率和最小下降率p依次比较，将小于p对应的样本点及其后面的样本点标记为正常。

 

• Deep learning for anomaly detectionin multivariate time series data (Assendorp et al.[2017])--90页，目前正在看，背景介绍很详细,使用了现实数据集。
• Binet: Multivariate business process anomaly detection using deep learning