Обнаружение аномалий временных рядов LSTM

Question

Я пытаюсь найти аномалию во временных рядах с помощью LSTM. И мне все еще интересно, какой должна быть правильная архитектура, временные шаги, размер пакета, скользящие или нескользящие окна для нахождения аномалии, основанной на поведении временных рядов в прошлом

from numpy import array
from keras.models import Sequential, Model
from keras.layers import Input, Dense, LSTM, 
RepeatVector,TimeDistributed
from keras import optimizers
from keras.callbacks import EarlyStopping

X = array([0.1, 0.2, 0.3, 0.4, 25, 0.5, 0.6, 0.7]) 
X_train = X.reshape(1, 8, 1)
y = X.reshape(1, 8)


model = Sequential()
model.add(LSTM(4, input_shape=(8, 1), return_sequences=True))
model.add(TimeDistributed(Dense(1)))

model.compile(loss='mean_squared_error', optimizer='adam')
print(model.summary())

history = model.fit(X_train, y, epochs=500, batch_size=1, verbose=2)
result = model.predict(X_train, batch_size=1, verbose=0)

Это дает мне вывод

[0.11906812, 0.19180197, 0.30324116, 0.14811686, 25.3771758 ,
 0.52173275, 0.61532116, 0.7421335] 

Это не похоже на знак аномалии для меня. Является ли Stateful лучшим способом найти аномалию на основе прошлого поведения? Даже нормальное распределение Гаусса может легко сказать мне аномалию здесь, но это не потребует эффекта времени