Self-Supervised Spatial-Temporal Normality Learning for Time Series Anomaly Detection

时间序列异常检测（TSAD）在金融市场、工业生产和医疗保健等各个领域都有广泛的应用。其主要目标是学习时间序列数据的正常模式，从而识别测试样本中的偏差。大多数现有的TSAD方法侧重于建模时间维度的数据，而忽略了空间维度中的语义信息。为了解决这个问题，我们引入了一种新的方法，称为空间 - 时间正常性学习（STEN）。STEN由一个基于序列顺序预测的时间正常性学习（OTN）模块和一个基于距离预测的空间正常性学习（DSN）模块组成。OTN模块捕捉序列内的时间相关性，而DSN模块在特征空间中学习序列之间的相对空间关系。通过综合这两个模块，STEN学习了时间序列数据中隐藏的正常模式的表达式空间 - 时间表示。在五个流行的TSAD基准测试上进行的大量实验表明，STEN显著优于现有的竞争方法。我们的代码可在https://github.com/mala-lab/STEN上获得。

论文旨在解决时间序列异常检测中仅关注时间维度而忽略空间维度的问题，提出了一种新的方法STEN来学习时间序列数据中隐藏的正常模式。

STEN由两个模块组成：OTN模块和DSN模块。OTN模块用于捕捉序列内的时间相关性，DSN模块则学习特征空间中序列之间的相对空间关系。通过综合这两个模块，STEN学习了表达时间序列数据中正常模式的空间-时间表示。

论文在五个流行的时间序列异常检测基准上进行了广泛的实验，结果表明STEN明显优于现有的竞争方法。论文提供了开源代码。

最近在时间序列异常检测领域，一些相关的研究包括：《Deep SVDD: A Deep Learning Approach to Unsupervised Anomaly Detection in Multivariate Time Series》、《A Robust Deep-Learning-Based Anomaly Detection Framework for Time Series》等。