MTGFlow 是一种使用动态图和实体感知的归一化流的多元时间序列异常检测的无监督方法，通过学习实体之间的相互依赖和演变关系来捕捉复杂和准确的分布模式，并利用实体感知的归一化流来表示每个实体作为一个参数化的正态分布，通过对具有类似特征的实体的共同性进行聚类策略，实现更精确和详细的密度估计。

Dec, 2023

本研究通过预处理、动态跟踪模块和后处理等环节，提出了一种简单而高效的交通异常检测方案，该方案使用视频稳定、背景建模和车辆检测等技术，能够快速精准地识别出交通异常点，在 NVIDIA AI CITY 2021 排行榜中名列第一。

May, 2021

该研究提出一种通过检查拓扑特征来发现具有相似交通流量特征的交通路段的方法，该方法可以通过数据的合成来尽可能减少对交通监测所需的经济投入。研究还分析了几种基于此方法的数据生成方法，并与简单的流量估计方法进行了比较。

Jan, 2022

通过去中心化的深度学习方法，基于相邻车站的拥堵状态实时准确地预测每个车站的拥堵状况，避免了中央处理器的局限性并提升了系统的实时反馈能力和实用性。同时为了避免训练数据集的不平衡，引入了经过正则化的欧氏距离损失函数。通过北加利福尼亚交通数据建立新的数据集进行实验，成果表明该方法成功预测了交通拥堵。

Mar, 2017

本研究提出 TSI-GAN，一种用于时序数据的无监督异常检测模型，可以自动学习复杂的时间模式并广义于不同数据集，通过将每个输入时间序列转换为二维图像序列，并使用具有逆映射准确性的重建型 GAN 进行训练，以及后处理中应用 Hodrick-Prescott 过滤器来缓解假阳性问题，最终实验表明，与 8 种基准方法相比，TSI-GAN 具有明显的性能优势。

Mar, 2023

提出并研究了一个数据驱动框架，用于在全球范围和分段细粒度上识别交通堵塞函数（宏观交通变量观测之间的数值关系）。与为每个道路估计单独的参数集的方法相比，我们的方法可以在都市区域的所有道路上学习一个单一的黑盒函数。

May, 2024

本研究提出了一种基于网络流量的多尺度残差特征的异常检测方法，利用滑动窗口将流量分成不同时间跨度的子序列，并使用小波变换技术将每个子序列分解和重构为不同级别的数据序列；使用栈式自编码器构建相似特征空间，并在相似特征空间中使用构建后的样本和输入样本的差异生成重构错误向量；通过轻量级分类器完成流量分类。实验结果证实，该方法对于异常网络流量的检测性能比传统方法有显著提高；长时间跨度和更多 S 变换尺度对于发现原始网络流量中的潜在多样性信息具有积极作用。

May, 2022

本文提出了一种高效的边缘设备上运行的视频异常检测系统，包括变化检测、背景建模和目标检测模块以及回溯异常检测算法，同时还提出了一种顺序变化检测算法。实验结果表明，该方法在 2021 年 AI City Challenge 中取得了 0.9157 的 F1 分数并排名第四。

Apr, 2021

该研究论文提出了一个自动化机器学习框架，旨在帮助水文学家检测美国东北部关键区域研究流域传感器生成的时间序列数据中的异常。该框架着重于识别峰值模式异常，该类异常可能来自传感器故障或自然现象。为了应对这些挑战，该框架利用合成生成的时间序列数据注入合成峰值模式，生成带有标签的数据集，并结合自动化超参数优化机制选择最合适的深度学习模型。该框架使用时间序列生成对抗网络 (TimeGAN) 作为合成数据集生成器，并通过准确性和计算成本等指标对产生的模型实例进行评估。通过应用于流域数据集的性能评估，该框架始终选择满足用户偏好的最佳模型实例。

Sep, 2023

提出一种基于重构的异常检测方法 MissGAN，通过迭代学习将自然而平滑的时间序列重视切分为较粗的片段，并在低维度表示基础上发现更细的段落，从而学习多尺度段落，并通过对抗规则和额外条件状态重构一个有意义且稳健的时间序列，不需要标签或仅需要正常实例的标签，适用范围广泛。

Apr, 2022