基于LSTM自编码器的多元时间序列异常检测阈值选取问题

两种方案的适用边界 #

不存在绝对最优的阈值方案，选型完全匹配你的数据特征和业务需求：

• 单特征独立阈值

  适用场景：各特征物理含义独立、波动范围差异大，需要定位异常所属特征
  实现逻辑：在全正常的训练集上，计算每个特征的重建误差序列，取95/99分位数或均值+3倍标准差作为对应特征的专属阈值。测试阶段任意特征的重建误差超过对应阈值，即判定当前时间窗口为异常。

• 全局统一阈值

  适用场景：多特征间存在强相关性，仅需要判定窗口是否异常无需根因定位
  实现逻辑：在全正常的训练集上，先将每个窗口所有特征的重建误差做聚合（求和、平均、取最大值均可），再基于聚合后的误差序列计算分位数或3σ作为全局阈值。测试阶段先聚合当前窗口的重建误差，超过阈值即判定为异常。

工业界通用折中方案 #

如果无法确定选型，直接采用组合判定逻辑：测试窗口只要满足「任意单特征误差超过对应阈值」或「全局聚合误差超过全局阈值」任意一条，就判定为异常，可同时降低漏报率和误报率。

阈值计算伪代码示例 #

import numpy as np

# y_train: 训练集正常样本输入，shape=(samples, window_size, features)
# recon_train: 模型对训练集的重建输出，shape和y_train一致
recon_err = np.square(y_train - recon_train)

# 对时间窗口维度求平均，得到每个样本各特征的平均重建误差
sample_feature_err = np.mean(recon_err, axis=1) # shape=(samples, features)

# 计算单特征阈值（取99分位数）
feature_thresholds = np.percentile(sample_feature_err, 99, axis=0) # shape=(features,)

# 计算全局阈值（先对特征维度求和再取99分位数）
global_err = np.sum(sample_feature_err, axis=1) # shape=(samples,)
global_threshold = np.percentile(global_err, 99)

内容的提问来源于stack exchange，提问作者Alessio Siciliano