Journalartikel - Wissenschaftlicher Artikel | 2021 | Peer reviewed

Temporal Convolutional Autoencoder for Unsupervised Anomaly Detection in Time Series

Autor*innen

Thill, Markus ; Konen, Wolfgang ; Wang, Hao ; Bäck, Thomas

Zeitschrift

Applied soft computing

DOI

10.1016/j.asoc.2021.107751

Weitere Details

Sprache

englisch

Darstellungsform

Text

Band

112

Artikelnummer

107751

Schlüsselwörter

Anomaly Detection , Autoencoder , Deep Learning , Mahalanobis Distance , TCN

Zitierstile

Thill, M., Konen, W., Wang, H., & Bäck, T. (2021). Temporal Convolutional Autoencoder for Unsupervised Anomaly Detection in Time Series. Applied Soft Computing, 112, 107751. doi:10.1016/j.asoc.2021.107751

In die Zwischenablage kopieren

Thill, M., Konen, W., Wang, H. and Bäck, T., 2021. Temporal Convolutional Autoencoder for Unsupervised Anomaly Detection in Time Series. Applied soft computing, 112, p.107751.

In die Zwischenablage kopieren

Thill, Markus u. a. 2021. Temporal Convolutional Autoencoder for Unsupervised Anomaly Detection in Time Series. Applied soft computing 112, 107751.

In die Zwischenablage kopieren

Download
RDF/XML-Format
JSON-LD-Format
Turtle-Format
N3-Format

Zitierstile

In die Zwischenablage kopieren

Thill, M., Konen, W., Wang, H. and Bäck, T., 2021. Temporal Convolutional Autoencoder for Unsupervised Anomaly Detection in Time Series. Applied soft computing, 112, p.107751.

In die Zwischenablage kopieren

Thill, Markus u. a. 2021. Temporal Convolutional Autoencoder for Unsupervised Anomaly Detection in Time Series. Applied soft computing 112, 107751.

In die Zwischenablage kopieren

Download
RDF/XML-Format
JSON-LD-Format
Turtle-Format
N3-Format

American Psychological Association 6th edition (DOI)

Anglia Ruskin University - Harvard

Gesellschaft für Bildung und Forschung in Europa - Harvard