发表在2020 IEEE International Conference on Big Data and Smart Computing。 每个时间步长变量之间的相似性来将多元时间序列数据转换成距离图像，通过变量之间的相位差捕捉到多维信息，也捕捉了时间信息。然后利用基于卷积结构的GAN网络，对距离图像进行生成和鉴别。通过鉴别器鉴别真实数据和生成数据的损失来确定异常。使用了电厂产生的高维数据进行试验。
时序异常检测通常形式化为根据某种标准或正常信号寻找离群数据点。有很多异常类型，从商业角度来说最重要的类型，包括意料之外的峰谷、趋势变动、水平变化。
基本上，异常检测算法要么将每个时间点标记为异常/非异常，要么预测某一点的信号，并测试这一点的值和预测值的偏离程度，以认定异常。
innovational outlier (IO):造成离群点干扰不仅作用于X(T)，而且影响T时刻以后序列的所有观察值。
additive outlier (AO):造成这种离群点的干扰，只影响该干扰发生的那一个时刻T上的序列值，而不影响该时刻以后的序列值。
level shift (LS):造成这种离群点的干扰是在某一时刻T，系统的结构发生了变化，并持续影响T时刻以后的所有行为，在数列上往往表现出T时刻前后的序列均值发生水平位移。
temporary change (TC)：造成这种离群点的干扰是在T时刻干扰发生时具有一定初始效应，以后随时间根据衰减因子的大小呈指数衰减。