كشف الانحرافات في بيانات السلسلة الزمنية أصبح شائعًا بشكل متزايد في مجالات صناعية متنوعة التي تراقب المؤشرات بهدف منع الحوادث المحتملة والخسائر الاقتصادية. ومع ذلك، فإن ندرة البيانات المُعلّمة وغموض تعريفات الانحرافات يمكن أن يعقد هذه الجهود. وقد حققت الطرق الحديثة للتعلم غير المراقب تقدمًا ملحوظًا في معالجة هذه المشكلة باستخدام إما تنبؤات في لحظة زمنية واحدة أو إعادة بناء السلسلة الزمنية. وعلى الرغم من أن هذه الطرق اعتُبرت سابقًا بشكل منفصل، إلا أنها ليست متعارضة، ويمكن أن توفر وجهات نظر مكملة للكشف عن الانحرافات. في هذا البحث، نسلط الضوء أولًا على نجاحات وقيود الطرق القائمة على التنبؤ والطرق القائمة على إعادة البناء من خلال عرض إشارات السلسلة الزمنية ودرجات الانحراف المرتبطة بها. ثم نقترح نموذج AER (Auto-encoder مع الانحدار)، وهو نموذج متكامل يجمع بين مُشفّر تلقائي تقليدي (vanilla auto-encoder) ومقود انحداري LSTM، بهدف استيعاب مزايا كل من الطريقتين وتجاوز قيودهما. يمكن لنموذجنا إنتاج تنبؤات ثنائية الاتجاه في آنٍ واحد، مع إعادة بناء السلسلة الزمنية الأصلية من خلال تحسين دالة هدف مجمعة. علاوة على ذلك، نقترح عدة طرق لدمج أخطاء التنبؤ وإعادة البناء من خلال سلسلة من الدراسات التحليلية (ablation studies). وأخيرًا، نقارن أداء معمارية AER مع طريقتين قائمتين على التنبؤ وثلاث طرق قائمة على إعادة البناء على 12 مجموعة بيانات زمنية أحادية المتغير معروفة من مصادر NASA وYahoo وNumenta وUCR. تُظهر النتائج أن AER يحقق أعلى متوسط لدقة F1 على جميع المجموعات (بزيادة قدرها 23.5% مقارنةً بـ ARIMA)، مع الحفاظ على زمن تشغيل مشابه لعناصره الأساسية من المُشفّر التلقائي التقليدي والمقود الانحداري. يُتاح نموذجنا في Orion، أداة مفتوحة المصدر لاختبار الأداء في كشف الانحرافات في السلسلة الزمنية.