黄训华 张凤斌 樊好义 席 亮

(哈尔滨理工大学计算机科学与技术学院 哈尔滨 150000)

时间序列(time series)是按照时间排序的一组随机变量，它通常是在相等间隔的时间段内依照给定的采样率对某种潜在过程进行观测的结果.视频、音频、轨迹图、心电图和动作捕捉都是常见的时间序列，对这些数据进行分析和检测的关键是识别其中的模式、趋势和相关性[1].时序数据的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]和排名统计[7]中.在这些领域中时序数据的分析需求主要包括特征提取、相关性分析和异常检测等.

异常检测的目的是找到某些观测值，它与其他的观测值有很大的偏差，这样的偏差可能是由于不同的原因或机制所产生的[8-9].在时序领域，现有的异常检测方法可分为有监督、半监督和无监督3类.其中，无监督方法在训练时不需要加注标签，通过密度估计的方式来检测异常.这种检测方式提供了良好的泛化能力，使模型不受限于数据的标签类型，是一种更适用于时间序列的检测方式[8].而在众多的无监督异常检测方法中，基于生成对抗网络(generative adversarial network, GAN)[10]的无监督异常检测算法因为优异的分布学习和特征重构能力得到了越来越多的关注.GAN是一个强大的高维数据建模框架，常用来建模复杂高维的数据分布，它起初作为自然图像[11-12]的生成模型已经获得了巨大成功，并且越来越多地用于时序信号[13]和医学成像……