時序資料異常偵測模型

當我們拿到持續監控的資料時(如溫度、電壓等)，如何有效率且自動地進行異常的偵測呢？傳統的作法可能會使用管制界線，透過3個標準差的方式來進行監控，超出即表示異常。那如果是Pattern的異常呢？例如忽高忽低、緩慢下降或上升，可能是管制界線所偵測不到的，甚至是多變數之間的異常。因此我們使用深度學習的模型來進行異常偵測，不僅可以實現自動化的異常偵測，還可以同時對多變數進行監控。

模型架構是用LSTM來建立一個Autoencoder，LSTM的好處是適合處理序列型的資料，相較於一般的RNN，擁有更強的記憶性，比較不會受到序列長度所影響。而Autoencoder的模型概念則是將向量降維後再擴大成原本的樣子。因此LSTM建立的Autoencoder可以將一個序列作為輸入，輸出也是一個序列，且和輸入越像越好。訓練好的模型能夠分辨該序列是否在訓練資料中出現過類似的Pattern，進而做到異常偵測的能力。

模型架構