我之前做过类似带周期性模式的多时序异常检测项目，结合你的场景——5个月15分钟粒度数据、明确的工作/非工作时段规律、用LSTM基于1天数据做单步预测的思路，给你几个落地层面的优化方向：

• 强化周期性特征捕捉
  你的数据核心规律是日周期（96步=1天），光用前96步的原始观测值作为LSTM输入有点浪费这个已知模式。建议把时间维度的特征编码加入输入：

  • 用独热编码区分工作日/周末、工作时段/非工作时段；
  • 用正弦/余弦函数把小时、分钟转换成周期性数值特征（比如sin(2π * hour / 24)、cos(2π * hour / 24)），让模型更容易识别时段规律，不用从零学习这个模式。

• 多序列建模的两种可行方案
  因为是多时间序列，别着急给每个序列单独训模型，试试这两种更高效的方式：

  • 共享权重的全局模型：给每个序列分配一个唯一ID，用嵌入层把ID转换成低维向量，和原始时序特征拼接后输入LSTM。这样模型既能学习所有序列共有的工作/非工作模式，又能适配每个序列的独特波动，训练成本也低；
  • 序列分组建模：如果部分序列的波动模式更相似（比如同一类设备的时序），可以把它们分成组，每组共享一个模型，平衡泛化能力和个性化适配。

• 残差异常分数的精细化计算
  直接用预测值和真实值的差值当异常分数，很容易在工作时段误报（因为工作时段数值波动本身就大）。建议：

  • 先按工作/非工作时段分别统计残差的均值和标准差，然后用标准化残差 (真实值 - 预测值 - 时段残差均值) / 时段残差标准差作为异常分数，这样不同时段的异常判断标准更合理；
  • 或者用滑动窗口（比如最近7天的同时段数据）动态计算残差的分布，实时调整异常阈值。

• 训练阶段的避坑细节

  • 时序数据划分要按时间顺序：别随机拆分训练/测试集，比如用前4个月数据训练，最后1个月做测试，避免未来数据泄露；
  • 选择鲁棒的损失函数：如果数据里有不少尖峰异常，MSE损失会被大残差带偏，试试Huber损失——残差小时是平方损失，残差超过阈值后变成绝对值损失，能减少异常值对模型拟合的影响；
  • 加入早停和正则化：训练时用验证集监控损失，当验证损失连续多轮不下降就停止训练；同时给LSTM层加Dropout或者L2正则，防止过拟合。

内容的提问来源于stack exchange，提问作者cventr