使用這些基本 REST API 最佳實踐構建出色的 API
圖1 從NeurIPS-TS數據集繪制的不同時間異常的概述。全局和上下文異常發生在一個點上（藍色），而其他類型，包括季節性、趨勢和形狀子序列，可以發生在子序列中（紅色）。
多元時間序列（MTS）表示多個隨時間變化的變量，這些變量受過去值和其他變量的影響，并且存在相關性，可交替使用空間和交互度依賴性來描述。例如，除了濕度水平外，每小時還會記錄氣壓和溫度。圖2展示了具有兩個維度的MTS示例。
圖2 多元時間序列中的度量間和時間-度量間異常。在此圖中，度量1是電力消耗，度量2是CPU使用率。
可以將時間序列 X 分解為四個組成部分，每個組成部分都表達了其運動的一個特定方面。這些組成部分如下：
時間序列是通過分別估計其四個組成部分來進行數學描述的，每個組成部分都可能偏離正常行為。
異常指的是數據偏離一般分布的情況，例如一個單獨的觀測值（點）或一系列觀測值（子序列）與一般分布存在很大偏差。在現實世界中，數據可能包含大量噪聲，這種噪聲對研究者而言可能是無關緊要的。時間序列數據集中可以看到概念漂移帶來的變化，概念漂移指的是當值和趨勢隨時間緩慢或突然改變時出現的現象。
異常的類型。異常點在UTS和MTS中分為時間異常、跨度異常和時間-跨度異常三種類型。時間異常點可以與鄰居或整個時間序列進行比較，并影響多個或所有維度。不同時間異常類型有多種常見的單變量時間序列。由于點異常，一個意外事件在某個時間點發生，并假定它是一個短序列。不同的時間異常類型如下：
這種情況下，動態時間扭曲（DTW）用于對兩個時間序列進行最佳對齊，以確定它們之間的不同程度，常用于異常檢測。MTS由多個維度組成，每個維度描述實體的不同方面。intermetric依賴指的是實體內部度量之間的空間依賴性。如果這種依賴性被打破，MTS會出現廣泛的異常行為。圖2左側部分的示例顯示了電力消耗和CPU使用率之間的正相關性在約100秒后中斷，這種異常被稱為intermetric異常。
從時間和度量角度看，間隔-時間異常均比較容易檢測出來，因為這些異常違反了時間和度量的依賴關系，正如圖2的右圖所示。
對于具有復雜結構的數據，深度神經網絡是建模依賴關系的強大方法。圖3展示了時間序列異常檢測中深度學習體系結構的分類。
圖3 時間序列異常檢測中使用的深度學習架構
本文中，時間序列異常檢測的深度模型根據其主要方法和體系結構進行分類。時間序列異常檢測文獻中有兩種主要的方法（圖4中的學習組件）：基于預測的模型可以訓練來預測下一個時間戳，而基于重構的模型可以部署來捕捉時間序列數據的嵌入。
圖4 時間序列中深度異常檢測模型的一般組件
表1和表2分別總結了基于它們處理的輸入維度的單變量和多變量時間序列的異常檢測模型。這些表格概述了以下方面的模型：(1)時間/空間，(2)學習方案，(3)輸入，(4)可解釋性，(5)點/子序列異常，(6)隨機性，(7)增量。表1 時間序列中的單變量深度異常檢測模型
表2 時間序列中的多變量深度異常檢測模型
深度模型以逐步或端到端方式處理輸入（見圖4），包括學習模塊和異常評分模塊。模型的輸出可以是異常分數或輸入的標簽。異常分數是通過損失函數來定義的，例如重構概率或預測誤差。評估指標包括AUC ROC、精確度和召回率等，有時也會用到點調整或基于段的評估技術來測量F1分數。局部性的Affiliation指標可用于評估時間序列異常檢測任務。
基于預測的方法使用已學習模型預測點或子序列，通過比較預測值與實際值確定異常程度。大多數方法使用滑動窗口預測，模擬正常行為以識別異常。早期工作使用預測誤差作為新穎性指標，而非異常分數。接下來將解釋基于預測的體系結構。
循環神經網絡（RNN）。由于RNN具有內部記憶，因此它們可以處理長度可變的輸入序列并展現出時間動態特性。圖5a展示了簡單RNN體系結構的示例。
圖5 (a)循環神經網絡（RNN）、(b)長短期記憶單元（LSTM）和(c)門控循環單元（GRU）的概述。這些模型可以通過捕獲時間序列中????之前的??樣本窗口的時間信息來預測??‘??。使用誤差|???????‘??|，可以計算出一個異常分數。
長短期記憶 (LSTM)。LSTM有望為 RNN 提供持續數千步的記憶。由于 RNN 架構（如圖 5 所示）與 LSTM 單元的結合，深度神經網絡可以實現出色的預測，因為它們包含長期依賴性。圖 5b 中顯示了 LSTM 單元的四個主要組件：單元、輸入門、輸出門和遺忘門。在可變的時間段內，單元記住值，而其他門控制信息流。
門控循環神經網絡（GRU）。GRU是是LSTM的簡化版，沒有單獨記憶單元，但信息流增加。GRU沒有輸出門，但有更新門和重置門。GRU和LSTM在多季節時間序列學習復雜模式有局限，訓練成本高。建議使用AD-LTI預測模型，整合GRU網絡和Prophet時間序列分解方法，顯式饋送季節性特征到GRU網絡中。在推斷期間，除季節性特征外，還會給定時間序列。由于預測基于以前的數據，可能存在異常點，需要局部趨勢不一致性(LTI)度量異常可能性。
卷積神經網絡（CNN）。CNN是多層感知器的變種，以不同的方式進行正規化。數據中的層次模式使得它們可以使用更小和更簡單的模式來構建日益復雜的模式。CNN包括多個層，如圖6所示，包括卷積層、池化層和全連接層。
圖6 基于輸入數據窗口預測輸入時間序列未來值的卷積神經網絡（CNN）結構。由于時間序列本質上是時間依賴的，因此它只能在預測某個時間步t的輸出x′t時使用之前觀察到的輸入。CNN是多層感知器的變體，通過使用更小、更簡單的模式構建越來越復雜的模式進行正規化。卷積層由可學習內核組成，進行卷積操作和池化總結。基于CNN的模型可以在訓練階段不需要大量數據，有效檢測時間序列中的微小偏差。結構數據分析中，卷積網絡可用于提取高級特征。時域卷積網絡（TCN）通過膨脹卷積實現適用于時序數據的提取，模型可預測趨勢變化。異常分數可通過擬合高斯分布預測誤差得出，實現多元特征混合預測。微軟使用了單變量時間序列異常檢測服務，包括Azure等產品。TCN自編碼器使用兩個時間卷積神經網絡進行編碼和解碼，結合CNN架構和自編碼器框架。準周期時間序列（QTS）經常被產生，例如心電圖等生理信號。自動QTS異常檢測框架通過TCQSA和HALCM實現兩級聚類和抗噪聲性，HALCM采用混合LSTM-CNN模型，通過三種注意力機制增強效果。
圖神經網絡（GNN）。過去幾年，研究人員提出從MTS中提取空間信息并形成圖結構。然后，時間序列異常檢測問題轉換為檢測給定圖結構的時間序列異常，并且 GNN 已用于對這些圖進行建模。GNN 的結構如圖 7 所示。
圖7 用于多元時間序列異常檢測的圖神經網絡（GNN）的基本結構，可以學習指標之間的關系（相關性）并預測時間序列的預期行為。
GNN通過學習空間結構增強多元時間序列數據建模能力。GCN聚合一步鄰居建模節點特征表示，GAT使用注意力函數計算鄰居權重。GDN將向量嵌入節點以捕獲傳感器特性，并將傳感器間相關性捕獲為圖中邊緣。GANF結合圖形結構學習增強正規化流，通過分解時間序列密度學習條件密度，并使用基于圖的依賴解碼器總結計算系列密度所需的條件信息。從時間序列中提取圖形結構并使用GNN進行建模，使得異常檢測模型能夠學習空間信息變化，是一個有希望的研究方向。
分層時間記憶（HTM）。使用分層時間處理進行異常檢測的一個值得注意的例子是分層時間記憶（HTM）系統，該系統試圖模仿新皮質中神經元細胞、區域和級別的層次結構[64]。如圖 8a 所示為典型的 HTM 算法組件。
圖8 (a) 基于分層時間存儲器 (HTM) 的異常檢測系統的組件。根據 HTM 系統的輸出，它計算預測誤差和異常可能性度量。(b) HTM 細胞內部結構。在 HTM 細胞中，樹突被建模為重疊的檢測器，它們之間有突觸。上下文樹突接收來自該層中其他神經元的橫向輸入。如果上下文樹突上的橫向活動足夠，則細胞進入預測狀態。
基于模型預測歷史和誤差分布情況，異常可能性是一種概率度量，表明當前狀態是否異常，如圖8a所示。在HTM序列記憶中，一層中排列著一列HTM神經元（圖8b）。HTM包含多層區域，高層學習復雜模式，底層處理感官數據。頂層保存普遍概念，推斷模式時解釋子區域信息。HTM具有高容量和魯棒性，可同時學習多個模式，識別空間和時間序列。
Numenta HTM可檢測單變量時間序列中的時序異常，具有高效、適應數據變化和小異常檢測能力，而Multi-HTM是學習模型，可解決廣泛的異常檢測問題。RADM是一個結合HTM和樸素貝葉斯網絡的實時框架，用于多變量時間序列的無監督異常檢測，通過HTM算法檢測單變量時間序列中的異常，并將HTM與BN相結合以提高檢測準確性。樸素貝葉斯網絡易于使用并可以指定后驗概率，用于細化新觀測結果。定義健康因子α，以提高檢查效率。
Transformer。Transformer是一種深度學習模型，根據不同部分的重要性，以不同的方式權衡輸入數據。與RNN（循環神經網絡）不同，Transformer可以同時處理整個數據。由于其架構僅基于注意力機制（如圖9所示），因此可以在計算上高效的同時捕獲長期依賴性。最近的研究利用Transformer來檢測時間序列中的異常，因為它可以處理文本數據中的序列數據進行翻譯。
圖9 用于異常檢測的變壓器網絡結構。Transformer使用編碼器-解碼器結構來模擬神經序列模型。編碼器和解碼器中都有多個相同的塊。每個編碼器塊由多頭自注意力模塊和位置前饋網絡組成。在解碼過程中，交叉注意力模型被插入到多頭自注意力模塊和位置前饋網絡之間。與循環神經網絡不同，Transformer不包含任何循環或卷積。它不是直接對序列信息進行建模，而是采用添加到輸入嵌入的位置編碼。
GTA采用雙向圖結構學習多個物聯網傳感器之間的關系，通過影響傳播圖卷積自動學習傳感器依賴關系。使用多尺度擴張卷積和圖卷積提供分層時間上下文編碼。SAnD使用注意力模型模擬臨床時間序列，消除復發需要，通過自注意力模塊和多個頭捕獲鄰域內依賴關系，使用位置編碼技術和密集插值嵌入技術表示時間順序。
大多數復雜時間序列異常檢測方法基于對時間序列的建模來預測未來值和預測誤差，但尚不存在能針對快速連續變化時間序列產生準確模型的穩健預測模型（圖10）。因此，基于預測的異常檢測方法變得無效。隨著時間點數量的增加，基于預測的模型會大大增加預測誤差。為了克服這一缺陷，重建模型可能更為有效。通過將正常訓練數據中的子序列編碼到潛在空間中，構建了正常行為的模型。在測試階段，模型無法重建異常子序列，得出重建誤差，從而檢測到異常。當重建概率低于指定的閾值時，會觸發異常檢測。
圖10 時間序列在任何給定時刻可能是未知的，或者可能像 (b) 那樣快速變化，該圖說明了用于手動控制的傳感器讀數。這樣的時間序列無法提前預測，使得基于預測的異常檢測無效。
自動編碼器（AE）。自編碼器是一種神經網絡，被廣泛研究用于MTS異常檢測的非線性降維能力形式。它包含編碼器和解碼器兩個組件（如圖11a），用于學習低維度表示并重建輸入。理想情況下，自編碼器可以精確重構輸入并最小化重構誤差。
圖11 (a) 自動編碼器的基本結構，它將輸入窗口壓縮為低維表示 (?)，然后根據該表示重建輸出 ???。(b) 變分自動編碼器，接收大小為 ?? 的輸入窗口。通過壓縮它，編碼器創建潛在分布。使用來自參數化分布的采樣數據作為輸入，解碼器輸出 ??? 盡可能接近 ??。
研究人員提出了稀疏自編碼器、去噪自編碼器和卷積自編碼器等技術，以獲取和表達主導信息。Sakurada和Yairi將自編碼器應用于多時間序列降維并檢測異常，結果表明自編碼器能夠檢測到線性PCA無法檢測到的異常組件，去噪自編碼器可以提高自編碼器的性能。DAGMM使用高斯混合先驗估計MTS輸入樣本的概率，包括壓縮網絡和估計網絡，但只考慮了空間上的相關性，沒有考慮時間信息。ENCDEC-AD模型可以檢測出不可預測的單變量時間序列中的異常，但沒有考慮時間信息。MSCRED是一種基于注意力的ConvLSTM網絡，用于捕捉時間趨勢并編碼、重構簽名矩陣，從而檢測異常。在CAE-Ensemble中，介紹了卷積序列到序列的自編碼器，通過集成和參數轉移策略提高準確性，減少訓練時間和錯誤。RANSysCoders是eBay使用的實時異常檢測方法，采用多編碼器和解碼器隨機選擇特征進行推斷和異常定位。AMSL算法將自監督學習和記憶網絡整合在一起，克服了正常數據有限的挑戰，從而實現了端到端訓練。
變分自動編碼器（VAE）。圖11b顯示了變分自編碼器（VAE）的典型配置，這是一種有向概率圖模型，將神經網絡自編碼器與均值場變分貝斯（mean-field variational Bayes）結合在一起。
LSTM-VAE結合LSTM和變分自編碼器，采用去噪自編碼方法訓練，使用動態閾值減少誤報。Donut模型為監督式異常檢測方法，使用修改的ELBO、缺失數據注入和MCMC插補。Bagel采用條件變分自編碼器處理時間序列異常，考慮時間信息。STORN模型使用變分推理學習高維時間序列數據的概率生成模型。OmniAnomaly使用隨機遞歸神經網絡學習多元數據的穩健表示，并使用平面正規流描述潛在空間中的非高斯分布。InterFusion采用具有兩個隨機潛在變量的層次變分自編碼器學習跨度量和時間表示，并采用預濾波策略防止過度擬合。MCMC imputation用于多變量時間序列以進行異常解釋，并引入IPS作為分段度量。Buzz采用基于分區分析的對抗訓練方法進行異常檢測。SISVAE通過在訓練深度生成模型之前進行平滑處理來檢測點級異常。無監督的基于GRU的高斯混合VAE解決了時間序列數據固有的多模態分布問題。重編碼器和潛在約束網絡(VELC)被添加到VAE架構中以獲得新的潛在向量，并用于最大化異常分數（重構誤差），以便準確建模正常樣本。VAE和LSTM集成到一個組件中用于無監督異常檢測和穩健預測支持。譜殘差(SR)被用于增強性能，為每個子序列分配一個權重以顯示正常性的程度。TopoMAD是一種結合了圖神經網絡、LSTM和VAE的多元時間序列異常檢測器，用于檢測具有時空學習的云系統中的無監督異常。
生成式對抗性網絡（GAN）。GAN是一種為基于博弈論的生成建模而設計的人工智能算法。在生成模型中，探索訓練示例，并學習生成它們的概率分布。通過這種方式，生成對抗網絡可以根據估計的分布生成更多的示例，如圖12所示。
圖12 生成對抗網絡 (GAN) 的概述，由兩個主要組件組成：生成器和鑒別器。生成器構造直接連接到鑒別器輸入的時間序列的虛假輸入窗口。鑒別器通過使用生成的實例作為負訓練示例來學習區分真實時間序列和假窗口。可以通過組合經過訓練的鑒別器和生成器來計算組合異常分數。
GAN已應用于多種用途，但因其依賴博弈論面臨獨特挑戰。GAN模型在考慮對抗性學習時，使判別器對當前數據集之外的數據更敏感，數據重構更具挑戰性。BeatGAN能夠利用自編碼器和GAN組合進行無標簽重構，時間扭曲方法可提高檢測準確性。GAN訓練困難，需在判別器和生成器間保持平衡。DAEMON可檢測時序數據中的異常。GAN采用先驗分布和對抗策略擬合隱藏變量的后驗分布。MAD-GAN是捕獲時間關系的LSTM-RNNGAN模型，同時考慮潛在交互作用以檢測異常。FGANomaly通過偽標簽篩選可能的異常樣本，降低過度擬合問題，更準確地捕獲正常分布。
Transformers。研究者提出了一種名為Anomaly Transformer的模型，該模型采用注意力機制，對每個時間戳進行先驗關聯和序列關聯建模，以捕捉關聯差異，使罕見異常更加明顯。TranAD是另一種基于變壓器的異常檢測模型，具有自調節和對抗訓練，通過放大重構誤差的對抗訓練策略來解決當偏差過小無法檢測異常的問題。Li等人提出了一種名為DCT-GAN的無監督方法，使用變壓器處理時間序列數據、GAN模型用于重建樣本和檢測異常、擴張的CNN結構從潛在空間中提取時間信息，不同尺度的幾個變壓器生成器以獲取粗粒度和細粒度的信息，提高泛化能力。MT-RVAE在變壓器序列建模和VAE功能方面獲得了顯著的好處。
混合模型將基于預測的模型與基于重構的模型相結合，以獲得更好的時間序列表示。預測模型使用下一個時間戳的預測，而重構模型使用整個時間序列的潛在表示。可以使用聯合目標函數同時優化兩個模型。
自動編碼器（AE）。深度卷積自動編碼記憶網絡（CAE-M）通過捕捉多傳感器時間序列中的時空相關性，對目標分布進行近似，并建模基于標準化數據的廣義模式。為降低過擬合，使用帶有MMD罰項的深度卷積自動編碼器。為表示時間依賴性，采用非線性雙向LSTM和注意力機制以及線性自回歸模型。貝葉斯濾波（NSIBF）是一種新型基于密度的時序異常檢測框架，用于網絡物理安全。通過遞歸狀態空間模型，端到端訓練神經網絡跟蹤隱藏狀態的不確定性，以捕獲CPS動力學。貝葉斯濾波自動應用于“已識別”的狀態空間模型，以篩選出隱藏狀態并估計觀察值的似然性。NSIBF結合神經網絡和貝葉斯濾波器的能力，高精度檢測復雜CPS中噪聲傳感器數據中的異常。
循環神經網絡（RNN）。TAnoGAN方法能夠在有限的時間序列數據樣本中檢測到異常。TAnoGAN已經使用了涵蓋多個主題的46個NAB時間序列數據集進行評估。實驗表明，基于LSTM的GAN在通過對抗訓練處理時間序列數據時，優于其他基于LSTM的GAN。
圖神經網絡（GNN）。基于兩個并行圖注意力層（GAT）用于多變量時間序列異常檢測，可提取相關性并學習時間戳關系，結合預測和重建模型，具有診斷功能。FuSAGNet將SAE重建和GNN預測融合，發現復雜異常類型。結合GDN，嵌入傳感器并使用循環單元捕獲時間依賴關系。通過學習循環傳感器嵌入和稀疏潛在表示，GNN在測試時預測期望行為。
物聯網（IoT）在監測發電廠工業設備和處理緊急情況中發揮著重要作用，對數據的分析和過濾可以識別異常并節省計算資源。Greenhouse使用多步前瞻性預測長短期記憶（LSTM）對大量物聯網時間序列進行預測。半監督層次堆疊時間卷積網絡（TCN）用于智能家居通信中的異常檢測，但無法抵抗輸入分布的變化。工業物聯網（IIoT）產生大量數據，基于LSTM的模型可分析和預測IIoT設備的傳感器數據，SCVAE用于無監督異常檢測。
云計算推動微服務架構發展，具有獨立部署、快速交付和擴展靈活性。故障排除是關鍵，持續監控在線系統發現異常。SLA-VAE使用半監督VAE識別多元時間序列中的異常，提高穩健性。主動學習框架在線學習和更新檢測模型。實驗采用兩種游戲業務云服務器數據，11個監控指標。物聯網中，無線傳感器網絡(WSN)至關重要。AE模型用于WSN異常檢測，無需與其他傳感器或云通信，在傳感器本地檢測異常。通過真實WSN室內實驗評估。
網絡管理員需保護計算機網絡免受攻擊，入侵檢測系統至關重要。傳統濫用檢測策略無法檢測新入侵類型，異常檢測通過學習正常網絡行為檢測新模式。CDN提供增強用戶體驗和更短響應時間。SDFVAE學習KPI潛在表示。NIDS使用深度學習技術獲取高質量特征表示，應用于正常和異常流量記錄。移動數據流量增長，RCAD提出分布式架構，使用HTM算法檢測RTT異常。
交通異常檢測面臨時空特性建模和異常標準差異挑戰。Zhang等人提出時空分解框架，結合圖嵌入算法和全連接核心神經網絡，半監督學習空間和時間特征。生成器和鑒別器使用圖卷積門控循環單元學習短期時空特征。位置和時間感知異常分數用于評估。CHAT基于層次注意力網絡，結合雙向循環層和時間注意力機制，捕獲未來異常相關信息。Uber使用端到端神經網絡架構進行不確定性估計，提高異常檢測精度。GTransformer和TH-GAT分別研究圖神經網絡與注意力機制結合和時域分層圖注意力網絡，提高交通預測準確性。
隨著天文學觀測和數據處理技術的進步，數據量呈指數級增長。光變曲線圖是觀測數據的一部分，通過研究光變曲線圖，開辟了一種全新的天文事件檢測方法，有助于觀測到更多天文現象。文獻中曾提出了一個LSTM神經網絡用于預測光變曲線圖。
航天器異常檢測系統至關重要，可提前發現潛在危險。新型變壓器模型具有時間戳注意力機制和掩碼策略。多模式無監督AD方法，結合深度AE和跳躍連接AE，實現大型設備（如LRE）和多源數據的可靠和自動異常檢測。
實時地震檢測需要高密度網絡以充分利用廉價傳感器。低成本加速度傳感器用于地震檢測，CNNs、CRNN和LSTM等算法用于分析、定位和預測地震。實時地震檢測依賴于高密度網絡和大量廉價傳感器，可分析歷史數據以找出遺漏事件。地震預測依賴于地震前兆數據，分為趨勢變化和高頻突變兩類。LSTM網絡可預測正常數據并判斷行為是否異常。
深度學習模型如RNNs、ESN、TCN、2D-CNN用于檢測心臟病和老年癡呆癥，捕捉心跳序列時序特征，即使在噪聲環境下也能產生有前途的結果。EEG信號用于檢測癲癇病，2D-CNN隨機集成模型用于檢測早期老年癡呆癥癥狀。
使用LSTM網絡架構可以監測和檢測工業時間序列中的故障。Wen和Keyes[181]使用CNN進行異常檢測，以解決數據稀疏性問題。[14]中，基于CNN的濾波器提供額外安全層，幫助識別網絡攻擊并做出決策。Fan等人[59]提出基于自編碼器的集成方法，用于分析建筑物中的能源時間序列，檢測意外消耗模式和過度浪費。
事件驅動進程具有快速和慢速模式，難以模擬。THREAT使用系統調用和屬性檢測異常，內核級別檢測提供對復雜機器對機器交互的新洞見。MIMO架構擴大模型規模并應對更嚴重威脅。基于MIMO的模型和擴展特征集增加異常檢測范圍。GAN用于異常檢測和定位，多元時間序列轉換為2D圖像，利用卷積濾波器分析時間序列數據的時間關聯和多變量之間的相關性。LSTM自編碼器檢測多元流中的異常，CNN處理半導體制造過程中產生的多元時間序列，MTS-CNN用于檢測異常晶片并提供半導體生產中根本原因分析的有用信息。
工業機器人在現代制造業中提高生產率與質量，但故障可能導致災難。SWCVAE用于檢測多元時間序列中的異常，可預防潛在危險。LSTM-VAE分析24個人的1555個機器人喂食執行，包括12種異常。STORN的S?lch等人記錄七個關節的聯合配置，用于訓練和測試Baxter機器人手臂，收集1000個無異常樣本，300個異常樣本用于測試。
海洋工程中的結構和系統需要實時監測海洋環境，海洋觀測系統（OOS）通過傳感器和設備提供數據，必須在惡劣條件下工作。OceanWNN模型利用小波神經網絡（Wavelet Neural Network）檢測OOS中的異常，可實時工作并檢測新的未知異常。廢水處理廠需要優化運行，研究人員使用LSTM方法監測流程并檢測集體故障。能源管理系統使用端到端CNN模型檢測管道中的內部流噪聲泄漏。
參考資料：《 Deep Learning for Time Series Anomaly Detection: A Survey》
文章轉自微信公眾號@算法進階