【文件属性】：
文件名称：研究现状-redboot中文手册
文件大小：752KB
文件格式：PDF
更新时间：2021-06-08 17:05:38
多变量
1.3 研究现状
1.3.1 MTS 异常识别的研究现状
针对于单变量时间序列
[36, 37, 39, 40, 41, 42, 43, 44, 45, 46]
以及分布式时间序列
[38]
，已经提出
了很多异常识别的方法，然而，在 MTS 的异常识别方面，研究成果比较少。
在时间序列的例外模式识别方面：模式是一个相似的时间序列的集合，时间序列
的例外模式定义
[10, 100]
为一个与其它模式显著不同且出现频率相对较低的模式，时间序
列中的例外模式反映了产生这个时间序列的系统或行为发生了某种改变。李爱国
[10]
针
对单变量时间序列，提出了广义例外模式和狭义例外模式的概念，并提出了一种基于
分段多项式表示的例外模式的识别方法，然而对于 MTS 例外模式的识别，还没有见到
这方面的研究成果。由于变量之间存在着复杂的相互依赖关系，使得 MTS 例外模式的
识别比单变量时间序列例外模式的识别更复杂、更困难。
在时间序列的异常样本识别方面：我们称一个时间序列为一个时间序列样本。在
由时间序列样本组成的数据集中，如果一个样本与其它样本显著不同，则认为这个样
本是异常样本
[46, 101]
。异常样本是指整个时间序列是异常的。针对单变量短时间序列数
据集，Karioti 等[46]采用似然比统计量（likelihood ratio statistic），进行假设检验来判断
单变量短时间序列样本是否异常，然而，在大型数据集上无法使用该方法，这种方法
只适用于规模较小并且样本具有相等长度的单变量短时间序列数据集。Tsay 等[102]提出
了一种基于单个和联合似然比统计量的迭代方法从 MTS 中识别异常值；Galeano 等[103]