传感器数据的时间序列异常检测：模型、指标和方法论——综述

《IEEE Sensors Journal》：Time-Series Anomaly Detection for Sensor Data: Models, Metrics, and Methodologies—A Review

时间序列异常检测在工业控制、物联网等领域至关重要，本文综述2019-2025年43篇研究，分析Transformer、GNN等主流模型，指出多数缺乏参数量、计算成本等关键指标披露，提出基于方法论分类框架（聚类、预测、重建等六类），探讨应用场景与挑战，为资源受限场景模型选择提供指导。

　　

摘要：

在时间序列数据中检测异常对于识别离群值以及提前预警系统故障至关重要，这些应用包括工业控制系统（ICS）、物联网（IoT）、网络系统以及医疗健康领域。深度学习在时间序列异常检测方面取得了显著进展。然而，对于最新架构及其实际特性的全面了解仍然有限。本文综述了2019至2025年间发表的43篇论文的最新研究进展，重点关注了最有效的模型（如Transformer、图神经网络（GNN）和基于注意力网络的设计），并通过多种指标对这些模型进行了分析。我们的分析表明，许多研究并未报告关键指标，例如参数数量、计算成本和预测不确定性，而这些指标对于在资源受限的硬件上实现实时应用至关重要。我们还量化了使用公共数据集的论文比例，强调了发布了新公共数据集的论文，以及提供了开源代码并成为社区基准的论文。随着时间序列异常检测模型的迅速发展，研究人员可能会在选择最适合自己数据和约束条件的框架时遇到困难。本文提出了一种基于方法论的分类体系，将框架分为六大类：聚类、预测、重构、表示学习、统计方法和混合方法。这种分类是基于方法论本身，而非所使用的具体框架技术。对于每种方法论，我们解释了其核心思想，探讨了该领域最新的领先框架，指出了最适用的数据类型和用例，列出了常用的实现技术，总结了其主要优点和局限性。同时，我们也讨论了开放性的研究挑战，以指导该领域的未来工作。

引言

近年来，在不同实际应用中检测数据中的异常模式变得越来越重要。在数据流连续的领域（如金融、工业控制系统（ICS）、物联网（IoT）、医疗/健康、网络安全和自动驾驶），时间序列异常检测在确保动态环境中的运营稳定性和安全性方面发挥着关键作用。机器学习的进步，特别是新型深度学习架构（如Transformer [65]、自动编码器（AE）[30]、变分自动编码器（VAE）[32] 和图神经网络（GNN）[33], [55], [66]）的广泛应用，极大地提升了我们捕捉复杂时间模式和识别细微异常的能力。