摘要

本文介绍了一种名为“自监督时空常态学习（STEN）”的新型时间序列异常检测方法。该方法的核心在于同时从时间和空间维度学习时间序列数据的正常模式，从而更有效地识别异常。传统的异常检测方法主要关注时间维度上的数据模式，而忽略了空间维度上的语义信息。STEN通过结合序列顺序预测的时间常态学习模块（OTN）和距离预测的空间常态学习模块（DSN），能够捕捉时间序列数据中的空间-时间常态，从而在多个基准测试中显著优于现有方法。

原理

STEN的工作原理基于两个主要模块：OTN和DSN。OTN模块通过预测子序列的顺序来捕捉时间序列中的时间相关性，而DSN模块则通过预测序列对在特征空间中的距离来学习空间关系。这两个模块共同工作，通过自监督学习的方式，从数据本身提取监督信号，从而学习到时间序列数据的复杂空间-时间常态。这种双重视角的学习使得STEN能够更准确地识别和区分正常与异常的模式。

流程

STEN的工作流程包括训练和推理两个阶段。在训练阶段，OTN模块使用滑动窗口将时间序列分割成多个子序列，并通过预测这些子序列的顺序来学习时间常态。DSN模块则通过随机投影空间中的序列对距离来学习空间常态。两个模块的损失函数结合形成STEN的总损失函数，用于优化模型参数。在推理阶段，模型使用训练得到的参数来计算测试序列的异常分数，该分数结合了时间和空间维度的常态信息，从而判断序列是否异常。

应用

STEN的应用前景广泛，特别是在需要高精度时间序列异常检测的领域，如金融市场的监控、工业生产的质量控制、网络流量的异常检测以及健康监测系统。由于其能够在无监督环境下有效工作，STEN为那些难以获取大量标记数据的应用场景提供了强大的解决方案。随着技术的进一步发展和优化，STEN有望在更多领域实现自动化和高效率的异常检测。