使用 MLP 进行多变量时间序列异常检测的自动编码器

问题描述

我正在开发一个使用 MLP 的自动编码器来检测多变量时间序列中的异常。为了简化问题，我开始只使用一个系列变量。

单变量案例

我应用它的方法是将时间序列分解成多个部分，然后将这些部分呈现给网络。例如，我的系列由 1000 个点组成，我将其分成 50 个长度为 20 的子系列。这些子系列中的每一个都成为学习网络的示例。

DAE input_shape 应该是什么？我看到 shape=(20,) 和 shape=(20,1) 之间存在差异。我把我一直在处理的 DAE 代码留在下面。而DAE最后一层的格式应该是怎样的呢？当我使用只有 1 个神经元的输出层时，模型正常工作，为什么？

model = keras.Sequential([

        ### ENCODING ###
        layers.Input(shape=(df_train.shape[1],df_train.shape[2])),# or ?
       #layers.Input(shape=(df_train.shape[1],)),layers.Dense(16,activation='sigmoid'),layers.Dropout(rate=0.1),layers.Dense(8,### LATENT SPACE
        layers.Dense(4,### DECODING ###
        layers.Dense(8,layers.Dense(1,activation='sigmoid')

]) 

多元案例

考虑多变量情况，其中我有 16 个时间序列。输入形状和输出层看起来如何？

解决方法

密集层，MPL 的构建块，只需要一个维度。因此，您必须将 2D 矢量展平为 1D。矢量的形状将(width*height,)。

另一种方法是使用卷积或循环自动编码器 (LSTM/GRU)。使用卷积自动编码器，大多数层将是 Conv2d 或 Conv1d。然后您将使用单个 Dense 层作为压缩瓶颈。卷积层接受形状（宽度、高度、通道）的输入——如果没有第三维，通道可以是 1。