.png){kind=icon}
返回
Patchlinear for single-step forecasting and anomaly detection
.png){kind=icon}
PRE
AI
DOI：10.1007/s13042-025-02782-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
趋势预测和异常检测是时间序列上的两项基础任务。由于AIOps在各类场景中的普及，它们变得越来越重要。在过去的几十年里，针对时间序列的趋势预测和异常检测，不断有日益复杂的模型被相继提出。然而，这些模型要么效果不佳，要么难以实现，因为它们过于复杂，难以在实际场景中部署，尤其是在线训练几乎不可行。本文提出了一种有效的在线方法，同时适用于单步预测和异常检测。与采用复杂模型的现有方法不同，我们方法的核心组件是一个两层线性网络。尽管简单，它已经在单步预测任务上超越了众多最先进的方法，如DLinear和iTransformer。通过整合距离显著性（该技术通过参考时间序列的近期历史来检测异常），我们的方法在异常检测任务上也展现出显著优于大多数最先进方法（如FCVAE和AnomalyTransformer）的性能。
期刊
IF:
2.7
论文数:
3.2K
被引数:
5.6K
机构
引用论文
Time-Series Anomaly Detection Service at MicrosoftMicrosoft的时间序列异常检测服务.png)
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation使用RNN编码器-解码器学习统计机器翻译的短语表示
OAAI
OAAI分享收藏分享收藏Cooperative Caching in Vehicular Content Centric Network Based on Social Attributes and MobilityOAAI
OAAI分享收藏Detecting outliers: Do not use standard deviation around the mean, use absolute deviation around the median检测异常值: 不使用平均值周围的标准偏差，使用中位数周围的绝对偏差OAAI
OAAI分享收藏
查看更多内容