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。