17、时间序列异常检测：从LSTM到TCN的探索

时间序列异常检测：从LSTM到TCN的探索

1. 时间序列数据与LSTM异常检测

在处理时间序列数据时，我们会遇到多种不同特性的数据集，下面是几种典型数据集的分析：
- art_daily_no_noise.csv ：加载该数据集时选择 i=0 。具有相同参数的模型应该能较好地拟合此数据集，也可尝试调整超参数以获得更好的拟合效果。
- art_daily_nojump.csv ：可通过可视化绘制时间序列。需将时间戳转换为日期时间格式，并删除时间戳列，时间序列呈现日期时间与值列的关系。该数据集无噪声或异常，是正常的时间序列数据集，模型拟合效果良好，预测值与实际数据紧密对齐。
- art_daily_jumpsdown.csv ：同样进行可视化绘制时间序列的操作，转换时间戳并删除该列。4月11日后不久出现的尖峰被认为可能是异常，但当前模型预测方式（根据前15个时间步预测第16个时间步）下，该尖峰的预测误差未达到前0.1%的误差标准，未被识别为异常。可尝试以下策略减轻损失：
- 增加训练轮数
- 增加时间步数量
- 通过增加神经元或层数来提高模型容量

数据集名称	特点	异常情况	处理建议
art_daily_no_noise.csv	适合相同参数