5.4 Time Series Anomaly Detection

範例程式：

時間序列異常偵測常見於設備監控、流量監控、感測器資料與系統指標。本篇使用 LSTM autoencoder 學習正常序列的形狀，再用重建誤差判斷新序列是否異常。

1. 學習目標

本篇聚焦「正常資料很多、異常資料少」的情境。模型先只看正常序列，學會如何重建正常 pattern。當遇到尖峰、位移、形狀突變等異常序列時，重建誤差通常會變大，因此可以用 threshold 做異常判斷。

2. 範例資料

Notebook 會產生正常的週期序列，以及兩種異常：

1. spike：序列中出現短暫尖峰。
2. shift：後半段基準值突然上移。

訓練時只使用正常序列；測試時混合正常與異常序列，檢查 autoencoder 是否能用 reconstruction error 分辨。

3. Autoencoder 的直覺

Autoencoder 由 encoder 與 decoder 組成。Encoder 把序列壓成低維表示，decoder 再把它還原回原始序列。如果模型只學過正常資料，對正常資料會重建得比較好；對異常資料則容易重建失敗。

4. 實作流程

Notebook 會先產生正常訓練資料與混合測試資料，接著標準化序列、建立 LSTM autoencoder、計算每筆序列的 MAE reconstruction error，並用訓練集誤差的高分位數作為 threshold。

5. 如何套用自己的資料？

套用到自己的資料時，先定義什麼是一段序列。例如每 60 秒、每 144 筆或每一天是一個 window。若有多個感測器欄位，輸入 shape 會是 (samples, timesteps, features)。Threshold 可以先用正常訓練資料的 95 或 99 百分位數，再依照實務可接受的誤報率調整。

6. 小結

時間序列異常偵測的重點是先定義正常 pattern，再用重建誤差或預測誤差量化偏離程度。Autoencoder 不是唯一方法，但很適合建立第一個可視覺化、可調整的異常偵測 baseline。