基于子空间重构的无监督时间序列异常检测

时间序列异常检测旨在寻找时间序列中不符合预期的数据，为相关人员提供有价值的信息，一直以来都受到学术界和工业界的广泛关注。然而，现有时间序列异常检测方法大多忽略了复杂数据中的多种模式，不能充分利用已有模式信息进行有效的特征学习，造成检测效果不理想。为此，本文提出了一种基于子空间重构的无监督时间序列异常检测模型。首先，将原始时间序列转换至低维潜在空间，利用高斯混合模型在潜在空间聚类，将原始时间序列分割为多个独立子空间。之后，各个子空间训练子模型，实现多模式捕获。最后，通过各个子模型重构，实现异常检测。该模型在UCR和MIT-BIH的6个数据集上的检测效果显著地优于已有方法，证明了方法的有效性。