Nous présentons une nouvelle méthode de détection d’anomalies dans les séries temporelles, offrant une précision de détection excellente tout en assurant un niveau supérieur d’explicabilité. La méthode proposée, appelée TimeVQVAE-AD, s’appuie sur un modèle génératif masqué, adapté à partir de la méthode de génération de séries temporelles de pointe connue sous le nom de TimeVQVAE. Le modèle a priori est entraîné sur l’espace latente discret d’un domaine temps-fréquence. Notamment, les significations sémantiques des dimensions temps-fréquence sont préservées dans l’espace latente, ce qui nous permet de calculer des scores d’anomalie sur différentes bandes de fréquence, offrant ainsi une meilleure compréhension des anomalies détectées. En outre, la nature générative du modèle a priori permet d’échantillonner des états normaux probables pour les anomalies détectées, améliorant ainsi l’explicabilité des anomalies grâce à des contre-factuels. Notre évaluation expérimentale sur la base de données UCR Time Series Anomaly Archive démontre que TimeVQVAE-AD surpasse significativement les méthodes existantes en termes de précision de détection et d’explicabilité. Nous mettons à disposition notre implémentation sur GitHub : https://github.com/ML4ITS/TimeVQVAE-AnomalyDetection.