论文学习——多维时间序列异常检测算法综述

写在前面：计算机应用；主办方：中国科学院成都分院、四川省计算机学会；中文核心期刊；月刊；C类

0 封面

• 综述的阅读：先标题、作者、摘要、结论；然后

1 标题（title）

• 多维时间序列异常检测算法综述
• 这篇文的重点是“多维时间序列”，区别于单维时间序列
• 这是一篇综述，都说找研究方向应该先看这个领域的综述。

2 作者（author）

• 作者4人，二作和四作是硕士研究生，应该是干活的主力；一作是导师，三作是带的助教导师。
• 通讯作者是二作学生，一般通讯作者都是写老师的，这边还是有点不太明白了。
  

3 摘要（abstract）

1. 时间序列异常检测算法，逐步成为数据分析领域新增的研究热点。这一方面的研究仍处于初步阶段，研究工作的系统性不强。
2. “维数约简”
3. “时间序列模式表示”
4. “异常模式发现”

4 结论（conclusion）

1. 两种主流思路：①将原始多维时间序列经过预处理之后转化为单维时间序列，然后利用单维时间序列异常检测的相关理论发现异常；②通过研究新的算法或改进算法，直接对预处理后的多维时间子序列进行异常检测。
2. 特点：多维转单维的方式更适合小规模时间序列，而第二种方式能够满足更大规模的时间序列的异常检测。

4.1 维数约减

• 维数约简过程中，如何保留原始数据的时间规律

4.2 时间序列模式表示

• 难以确定统一的规则，使得在较高数据压缩率的情况下，对哥哥维度具有比较精确的表示
• 是否能够使用于实时更新的多维时间序列

4.3 异常模式发现

• ①多维时间子序列相似性度算法研究；②聚类和分类算法在时间相关性方面的优化研究
• 目前已有很多经典的单维时间序列相似性度量方法：欧式距离、动态时间扭曲、垂直距离等等。但是对于多维时间序列的相似性度量方法还在初步研究阶段
• 传统的聚类、分类算法只是针对无序变量，直接运用到时间序列会丢失时序信息

5 引言（introduction）

【在水文领域的洪水预报方面，需要通过分析各种水文数据，例如流量数据，土壤饱和度数据，水位数据等等，以及时发现风险隐患，实施报警并支撑管理人员采取有效措施，减少项目经济损失，保障人员安全。】

5.1 总结

5.2 名词定义——异常

5.3 名词定义——维数约减

• 这是维度减少
  

5.4 名词定义——时间序列模式表示

• 这是数据量的减少
  

6 维数约减

• 维数约减主流算法分类：
  

1. 线性降维领域中，线性判别分析PCA是经典的算法，是一种无监督的统计分类方法。

2. 非线性降维领域中，主成分分析KPCA是经典的算法，但是这种算法的难点在于难以选择合适的核函数。流行学习是近年来非线性降维算法领域的热门研究方向。[27]可以学习。
   

3. 文中提到的方法、模型太多了，这里就不能一一赘述了，后面会每天更新的！

6.1 研究趋势

• 非线性降维算法，尤其是流形学习将成为该领域未来的重要研究方向。

1. 将已有理论成果与实际应用场景相结合，进一步确定算法的特点和使用范围。
2. 算法优化
3. 结合机器学习获深度学习实现维数约减