时间序列异常检测论文阅读汇总
《Time-Series Anomaly Detection Service at Microsoft》SR方法 KDD 2019 微软
文章中有提到Holt winters以及Spot算法（极值理论）的利弊，称Holt winters对非季节性/周期性的时序的效果不好，
Spot则相反，对于季节性/周期性的时序效果不行。言下之意就是SR在三者上的效果都是非常好的，更加通用。
其中设计时序分类，关于非平稳序列的定义
同时文章提到工业界需要的异常检测算法需要满足：无监督、准确、高效、通用。（不过，可能有些企业可以也愿意打标签使用有监督的算法😂，比如美团？）
提到两个无监督算法Luminol [1] and DONUT [23]说问题在于要么需要大量时间要么对参数敏感（不过这个应该指训练吧，如果是训练的话，时间倒还好，但是这里很可能是因为需要部署到海量的时序上，因此训练时间过长也是不可接受的，那这样其实可以看看最新的裴丹团队的异常检测模型迁移的文章-CTF: Anomaly Detection in High-Dimensional Time Series with Coarse-to-Fine Model Transfer）
这篇文章提到SR+CNN，因为SR处理后的时序的异常就非常明显了，因此相当于给CNN提供了一个伪标签，没有使用任何真实标签，保持了算法的无监督的特点。
在具体实现细节方面，SR提供了比较详细的说明，以及如何应对实时化的改进，应该相当于需要实时的进行FFT（关于FFT相关介绍博客），提到了填充点的操作，可能有参考价值。
对于开源代码方面，在之前论文的基础上，后续又有了一项更新，主要是添加了一个有上下界限的模式，然后这个东西好像是为了给Azure Machine Learning designer使用的。不过之前我们也思考过一个问题就是如何给SR添加上下界限，这个确实值得看看源码的实现。
《RobustSTL: A Robust Seasonal-Trend Decomposition Algorithm for Long Time Series》AAAI 2019 阿里达摩院
这片文章介绍了一个改进版本的STL算法，不过我发现突然发现，作为异常检测，我只需要将残差项剥离出来即可，不需要周期项和趋势项的分离，因此这个想通了的话，我一直思考的如何进行STL的Online版本也就相对好实现了。不过好像也没有我想的那么简单啦，再看RobustSTL如果后续操作真的都对残差项没影响了，也不太可能。
参考IBM的实时分解算法：Real-Time Decomposition of Time Series
Detecting Anomalies in Seasonal Data
其实都谈不上实时，真的分解的时候的延时还是很大的
搜索过程中遇到几篇Stream Time Series的论文