经过几天的研究，我可以对现有的对时间序列进行异常检测的方法进行全局了解，即：

• 使用深度学习进行预测。例如。RADM或 LSTM 模型

• 没有深度学习的预测。例如。季节性 ARIMA +卡尔曼滤波器

• 用自动编码器去噪固定长度的窗口（深度学习方法）。例如。MAD-GAN、CNN/LSTM 自编码器、变分自编码器等。

• 没有深度学习的去噪。例如。应用 Kalman 或 Hodrick Prescott 等过滤器，并测试预测与原始时间序列的偏差是否低于阈值。

也许还有更多方法无法归类到此屏幕截图中。

我的问题是，根据可能出现的数据集类型，哪种方法更适合开发时间序列异常系统的需要，该系统：

• 以单变量方式检测异常，但允许多元后验积分。
• 适用于在线数据流和运行时适应/学习
• 能够学习具有多个季节性的数据分布。
• [Plus] 可能允许在任何步骤进行半监督改进。

注意：考虑可能具有不同趋势的时间序列；无，一个或多个季节性；定性/步进/连续时间序列；或多或少缺少数据等。