時系列データにおける異常検出は、潜在的な事故や経済的損失を防ぐためにメトリクスを監視するさまざまな産業分野でますます一般的になっている。しかし、ラベル付きデータの不足や異常の定義が曖昧であるという問題により、これらの取り組みは複雑化している。近年の非教師あり機械学習手法は、単一時刻の予測または時系列の再構成を用いて、この課題に著しい進展を遂げている。従来は別々に扱われてきたこれらの手法は、互いに排他的ではなく、異常検出において補完的な視点を提供する可能性を有している。本論文では、可視化された時系列信号と異常スコアを用いて、予測ベースと再構成ベースの手法の成功事例と限界を明らかにする。その後、単純なオートエンコーダとLSTM回帰器を組み合わせた統合モデル「AER（Auto-encoder with Regression）」を提案する。このモデルは、結合目的関数を最適化することで、双方向の予測と元の時系列の同時再構成を実現する。さらに、アブレーション研究を通じて、予測誤差と再構成誤差を統合する複数のアプローチを提案する。最後に、NASA、Yahoo、Numenta、UCRから得られた12の代表的な単変量時系列データセットにおいて、AERアーキテクチャの性能を2つの予測ベース手法および3つの再構成ベース手法と比較した。その結果、AERはすべてのデータセットにおいて平均F1スコアが最も高く、ARIMAと比較して23.5%の向上を達成した一方で、単純なオートエンコーダおよび回帰器のコンポーネントと同等の実行時間維持を実現した。本モデルは、時系列異常検出のためのオープンソースベンチマークツール「Orion」に公開されている。