我有许多（大约 40 个）来自不同传感器的独立时间序列，每个传感器都测量磁场强度。我正在寻找一种 ML 算法来识别特定的异常。这种异常情况很少发生（在 25 年的 60 秒数据中会发生几次，具体取决于传感器），并且仅在您并排查看两个时间序列时才明显：

黄色圆圈是异常，大致可以这样描述：当时间序列受到特别干扰时，红色时间序列会在几个小时内与绿色时间序列短暂反相关（数据采样每 60 秒）。对于一对时间序列，这可以很容易地手动完成。

计划

我想通过手动识别传感器对的这些异常来训练机器学习算法，然后在其余的时间序列对上设置训练好的算法

问题

我不知道解决这个问题的最佳算法是什么，因为它涉及两个时间序列。我搞砸了在 6 小时内收集信息并将其视为非时间序列问题。这涉及分别处理每个 6 小时的块（即每个时间序列的标准、平均值、最大值、最小值以及相关系数和手动确定的 1 或 0 输出），但我觉得有一个神经网络将能够更好地找出重要变量。

问题

为了训练 ML 算法，解决这个问题的最佳方法是什么？我上面的方法合适吗？