时间序列异常检测综述

作     者：陈福荣 熊琛 李婷 钟超 马朝阳 李达 王晶 

作者机构：中国民航信息网络股份有限公司 北京交通大学计算机科学与技术学院 

出 版 物：《北京交通大学学报》 (Journal of Beijing Jiaotong University)

年 卷 期：2025年

核心收录：

学科分类：12[管理学] 02[经济学] 07[理学] 08[工学] 070103[理学-概率论与数理统计] 0202[经济学-应用经济学] 020208[经济学-统计学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 0714[理学-统计学（可授理学、经济学学位）] 0835[工学-软件工程] 0701[理学-数学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：中国民航信息网络股份有限公司和民航旅客出行智慧云工程技术研究中心基金资助项目(K23L01050) 国家自然科学基金(62372031) 

主　　题：时间序列 异常检测 异常模式 检测算法 

摘      要：异常检测作为数据科学领域的关键任务之一，旨在识别显著偏离常规模式的数据点，在风险控制、故障预警和健康监测等应用中具有重要意义。本论文对时间序列异常检测进行了全面概括，分析了其面临的主要挑战和方法，复杂性主要来自数据特性、算法需求和应用场景三方面，包括数据分布的漂移、高维数据处理、噪声影响、实时性和泛化性等问题。我们将时间序列中的异常划分为三类：点异常、片段异常和变量间关联异常，并详细描述了各类异常的定义和检测方法。系统地回顾了基于传统统计、机器学习和深度学习的异常检测技术，分析了各类方法的优缺点及其适用性。统计方法在数据分布明确时表现良好，而机器学习和深度学习方法则在处理复杂数据时具备更强的适应性和能力，尤其是自编码器、卷积神经网络、循环神经网络、Transformer和基于图的方法等深度学习技术，在高维、非线性数据的处理中展现出显著优势，成为研究热点。此外，本文整理了SWAT、SMD、WADI等常用数据集，并说明了这些数据集在异常检测中的应用场景和特点。最后，总结了当前异常检测技术的发展现状，并展望了未来的研究趋势，强调提高模型的自适应性、泛化能力和可解释性是主要方向，研究将继续致力于多变量和多模态数据的整合，以及提升实时性和在线学习能力，以实现更高效和智能的异常检测，为金融风险控制、工业故障预警和健康监测等关键领域提供支持。