Time-Series-Library项目中的单变量时间序列异常检测实践

异常检测参数调优经验

在使用Time-Series-Library进行单变量时间序列异常检测时，一个常见的问题是模型性能不佳。根据实际项目经验，当遇到准确率(Acc)低至0.0469，召回率(Recall)仅为0.0340的情况时，首要考虑的是调整anomaly_ratio参数。

anomaly_ratio参数控制着模型对异常点的敏感度。当该值设置过低时，模型会过于保守，导致虽然捕捉到的异常点准确率较高(Precision 0.8140)，但会遗漏大量实际异常点，表现为召回率极低。通过适当增大anomaly_ratio值，可以显著提升模型的召回性能，使整体检测效果达到可用水平。

数据准备注意事项

在准备数据时，需要注意以下几点：

1. 数据格式：输入数据应为numpy数组格式，形状为(样本数,1)，即每个样本是一个单变量的时间序列点。

2. 标签处理：异常检测标签应为二进制形式，0表示正常，1表示异常。需要确保标签与数据点严格对齐。

3. 数据预处理：对于数值波动较大的数据，可以考虑先进行绝对值处理或其他归一化操作，但要注意保留原始数据的异常特征。

模型参数配置建议

针对TimesNet模型在异常检测任务中的配置，推荐以下参数设置：

• seq_len：根据数据特性设置，一般建议在50-200之间
• d_model和d_ff：可以保持较小的值(如16)以提高效率
• e_layers：2-3层通常足够
• batch_size：根据显存大小调整，16是一个合理的起点
• train_epochs：10个epoch通常可以获得不错的效果

变长序列处理方案

对于变长序列(如5,10,15等长度不一的序列)的异常检测，可以考虑以下解决方案：

1. 填充处理：将短序列填充至统一长度，但要注意填充值的选择

2. 滑动窗口：使用固定大小的滑动窗口从变长序列中提取子序列

3. 模型调整：选择支持变长输入的模型架构，或修改现有模型的前处理层

在实际应用中，需要根据具体业务场景和数据特点选择合适的处理方法，并通过实验验证效果。