基于重要性的生成式对比学习的无监督时间序列异常预测

Unsupervised Time Series Anomaly Prediction with Importance-based Generative Contrastive Learning

转自：

在智能制造、工业自动化、能源调度、网络安全、智慧水务、航空航天等现代复杂系统中，关键过程数据通常以多变量时间序列的形式实时产生。保障系统稳定与可靠运行的核心任务之一，是能够在异常真正发生之前提前识别风险信号，并采取预防性措施。 异常检测（Anomaly Detection）旨在判断当前时刻的观察值是否异常；而异常预测（Anomaly Prediction）关注的是 未来 时间是否可能发生异常，属于更具挑战但更具价值的任务。 这些异常并非随机瞬间产生，而往往由 弱、渐变、多维互动的 precursor 所引发。
然而，异常预测技术的发展长期受限于以下三个核心难题：