还在愁小论文？不如考虑考虑这个方向：LSTM+时间序列异常检测。

这是个比较活跃且热门的研究方向，因为LSTM具有非常优秀的时序数据深度处理能力，能够灵活适应不同复杂度的数据，给我们提供高精度的预测结果，在处理时序异常检测任务方面遥遥领先。

比如一种新的基于多尺度C-LSTM的异常检测方法，该方法利用了LSTM网络在处理时间序列数据方面的优势，实现了超过99.7%的准确率。

目前这方向的创新着眼于改进模型结构、优化算法、融合多模态数据等方面。根据这个，我特别整理了8篇LSTM+时间序列异常检测最新的论文，开源代码已附，大家可以直接拿来参考。

论文原文+开源代码需要的同学看文末

Anomaly Detection Using Multiscale C-LSTM for Univariate Time-Series

方法：基于C-LSTM模型，本文提出了三种多尺度C-LSTM模型，分别构建了不同的LSTM结构，通过多个不同卷积核的CNN提取时间序列特征，实现对时间序列异常的有效检测，同时在多个真实数据集上进行了实验验证，实现了超过99.70%的准确率，显著优于现有C-LSTM模型的异常检测能力。

创新点：

• 使用不同尺寸的卷积核代替固定尺寸的卷积核，增强了C-LSTM模型的空间特征提取能力，并为互联网等领域生成的时间序列数据提供了更适合的特征提取方法。

• 提出了三种多尺度的C-LSTM模型，分别构建了不同的LSTM结构，用于探索适用于包含不同空间信息的时间序列的更合适的时间特征提取方法。这三种模型分别使用具有多个不同卷积核的CNN来提取时间序列特征。

LSTM-autoencoder-based anomaly detection for indoor air quality time-series data

方法：本文提出了一种基于深度学习模型的室内空气质量异常检测方法，结合了LSTM和自编码器的能力，用于解决传统统计和浅层机器学习方法在室内空气质量异常检测中存在的问题，该模型可以有效地检测出异常数据点，达到了99.50%的检测准确率，优于其他类似模型。

创新点：

• 提出了一种混合的深度学习模型，将LSTM和Autoencoder相结合，用于检测室内空气质量数据中的异常数据点。

• 将该模型应用于新西兰多所小学/中学的实际部署中收集的Dunedin CO2数据集。

• 通过与其他使用不同LSTM和/或AE方面的方法进行比较，展示了该模型的性能。

Unsupervised outlier detection for time-series data of indoor air quality using LSTM autoencoder with ensemble method

方法：论文提出了一种基于长短期记忆自动编码器（LSTM-AE）的多元时间序列数据的异常检测算法。在实验室测试中，所提出的基于集成方法的LSTM自编码器异常检测模型在室内环境数据上达到了97.66%的准确率。

创新点：

• 提出了一种基于LSTM-AE的异常检测模型，该模型利用长短期记忆网络提取时间序列数据的特征，并通过重构误差来判断异常值。

• 引入了基于DBSCAN的聚类技术，将LSTM-AE提取的潜在特征进行聚类，以便更好地反映时间序列和非线性属性。

• 结合LSTM-AE和OC-SVM模型，提出了一种新的集成决策规则，可以更准确地识别异常值。

LSTM-Autoencoder Deep Learning Model for Anomaly Detection in Electric Motor

方法：论文提出了一种使用LSTM-autoencoder深度学习模型进行电机异常检测的异常检测解决方案。该模型结合了两种架构，将LSTM层添加到自动编码器中，以利用LSTM处理大量的时间序列数据。

创新点：

• LSTM-Autoencoder混合模型：创新性地结合了LSTM和自编码器，用于提高异常检测的性能。

• 电动机多轴振动分析：专注于电动机的三个关键振动轴，增强了故障预测的准确性。

• 效率与性能的对比评估：对比了新模型与传统模型在检测效率和准确性上的差异，验证了新模型的优越性。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“LSTM异常”获取全部论文+开源代码

码字不易，欢迎大家点赞评论收藏