MTS 数据挖掘的后续研究点，写得还挺深入的，尤其提到用Hotelling T²成本函数做异常检测这块，蛮有意思。你要是对时间序列异常识别感兴趣，这篇内容值得你花点时间看看，尤其是想搞明白什么是不和谐子序列、例外模式的本质区别。

异常识别的部分讲得比较细，像是第 2 章直接上了股票交易的数据做例子，对比第 4 章挖出来的“不和谐子序列”，思路清晰，操作性也强。如果你平时也用Python做数据，那和Python-STUMPY结合用，说不定就有思路了。

另外它还提到一个点我觉得挺实用——就是在线实时检测的想法，现在不是多项目都走实时数据吗？这思路正好切合，比如用在金融、智能监控系统里，效果会比较直观。你也可以顺便看看运动模式识别那篇文章，对行为异常检测也有。

哦对了，如果你之前接触过 T²分布，那你会对这篇 MRI 优化方法也有点兴趣，虽然是医疗领域的，但思路其实互通。对多维时间序列这块感兴趣的话，可以再翻翻序列模式那篇文章，有些想法还挺新鲜的。

呢，如果你最近在搞时间序列挖掘，尤其关注异常检测方向，这份红皮书风格的文档看下来绝对能给你不少灵感。顺便记得多关注数据源质量问题，可以看看这个数据源识别策略的文章，对构建训练集蛮有参考价值。

如果你在做实时 MTS，可以试着把异常检测流程搭配STUMPY用起来，响应也快，代码也简单。