韩东明 郭方舟 潘嘉铖 郑文庭 陈 为

(CAD & CG国家重点实验室(浙江大学) 杭州 310058)(dongminghan@zju.edu.cn)

时间相关的数据集无处不在，对其分析的关键是识别其中的模型、趋势和相关性[1].时序数据的可视分析广泛地应用在科学、工程和商业领域中[2-3].例如社交媒体[4]、城市数据[5]、电子交易[6]、时序排名[7].在不同领域中，发现时序数据中的特征和趋势的需求正日益增长，刺激了许多可视分析交互探索工具的发展[8]：Line Graph Explore[9]，LiveRAC[2]，SignalLens[10]和Data Vases[11]等.

时序数据的可视分析任务，包括特征提取[12]、相关性分析和聚类[7]、模式识别[9]、异常检测[10]等.而异常检测在不同的研究领域都是一个重要的问题.异常检测的目的是找到某些观察结果，它与其他的观察结果有很大的偏差，这样的偏差很有可能是由于不同的原因或机制所产生的[13-14].对应到不同的领域中，网络安全中的异常表示网络设备异常或者可疑的网络状态[15].情感分析中的异常表示一组数据中反常的观点、情绪模式或者产生这些模式的特殊时机[16].社交媒体中的异常可以是反常的用户，例如网络机器人[17].或是反常的信息传播过程，例如谣言的传播[18].这些异常信息或模式，例如电脑侵入、社交机器人、道路拥堵状况等都会极大地影响日常生活、社会稳定、科技发展.识别这些异常有助于及时认清实际状况，找出产生原因，进一步分析解决问题.

异常检测已经有许多成熟的方法，机器学习领域也已经提出了许多异常检测方法，包括有监督[19]和无监督的异常检测方法[20].自动化的学习算法通常假设有充足的训练数据可用，同时这些数据反映的是正常的行为；……