多元时间序列，检测异常，Keras

Question

我目前正面临一项任务，我需要认识到实例中异常的存在，每个异常由多个时间序列描述。 每个异常可能持续10秒或更长时间（通常少于几分钟）。

具体来说就是这种情况：

• 每个实例的特征在于10个时间序列
• 给出一个实例，每个时间序列描述相同的时间间隔（通常为8-10小时）
• 所有实例都具有相同的10个时间序列
• 每个时间序列都有一个采样率（每秒观察次数）
• 班级标签非常不平衡：如果可能的话，异常可能覆盖该系列描述的整个时间间隔的5％左右
• 最后，对于每个实例，我都有一个手工制作的标签，告诉我哪些时间间隔是“异常”

我想在一组带标签的实例上训练模型，该模型能够识别在以前从未观察到的新实例中是否存在异常间隔。

我尝试的第一种方法是基于窗口化：给定一个训练实例，我只是在每个时间序列（例如10秒长）上应用一个“移动窗口”，然后对属于窗口（例如，平均值，最小值，最大值，方差，熵，能量，...我将TsFresh库用于此类任务）。然后，根据手工制作的标签，我将每个窗口标记为“异常”（特别是，如果存在一个重叠于窗口95％的异常，则将其标记为异常）。

因此，训练集是由以下形式的实例构成的： [average_ts_1，min_ts_1，max_ts_1，...，average_ts_10，min_ts_10，max_ts_10，标签]

尽管这种方法给我带来了令人鼓舞的结果，但我想直接处理时间序列数据，以免丢失任何潜在的信息。 在这种情况下，我认为任务将变成：给定10个时间序列作为输入，预测仅由1和0组成的另一个时间序列。这样的预测时间序列将覆盖与输入的时间序列相同的时间段，并且会告诉我异常出现的间隔时间（例如，间隔为1秒）。

现在，最后一个问题是：我可以使用任何（深度）学习架构来完成这项任务吗？

当前，我正在使用Python，并依赖于XGBoost和窗口技术。 我在Keras上也有一些经验，但是我愿意接受任何建议。