如下图所示，笔者想在众多的时间序列中找到与众不同的时间序列：
有如下几种方式：
1. 孤立森林：
孤立森林的原理是随机抽样特征，样本和阈值，训练多棵树，基于异常样本总是容易被最先孤立的假设，找到孤立点。孤立森林（Isolation Forest）从原理到实践。
但是孤立森林算法没有考虑到时序图的前后关系属性，故pass.
2. local outlier factor:
lof原理是基于密度的异常检测，比如近邻空间内，找到某个与附近都不一样的点。异常检测算法之局部异常因子算法-Local Outlier Factor(LOF)。
该算法没有考虑到时序图的前后关系属性，故pass.
3. pca降维可视化：
pca降维的原理是找到一个子空间进行高维空间线性投影，让信息损失最小。Microstrong：主成分分析（PCA）原理详解
该算法没有考虑到时序图的前后关系属性，故pass.
4. tsne降维可视化：
tsne降维的原理是进行高纬空间的非线形投影：t-SNE原理与推导_scott198510的博客-CSDN博客_sne。
相比较pca而言效果更好，但是性能极差，而且同样没有考虑到时序图的前后关系，故也pass。
5. dbscan+l1距离聚类：
将不同的时间序列图形按照l1距离度量进行聚类，解决了高纬诅咒的问题，而且红圈所示肯定是-1的标签， 故可行。
6. 图像异常检测：
将时间序列转换成图像的方式处理，可行，后续研究。
