Recientemente, la detección de anomalías en redes dinámicas ha recibido mayor atención debido a la gran cantidad de datos estructurados en red que surgen en muchos campos, como la seguridad de redes, sistemas de transporte inteligente y biología computacional. Sin embargo, muchos de los métodos existentes en esta área no logran aprovechar completamente toda la información disponible de las redes dinámicas. Además, la mayoría de estos métodos son algoritmos supervisados o semisupervisados que requieren datos etiquetados, lo cual puede no ser siempre factible en escenarios del mundo real. En este documento, proponemos AddAG-AE, un marco general de detección de anomalías en gráficos dinámicos que puede fusionar atributos de nodos e información espacio-temporal para detectar anomalías de manera no supervisada. El marco consta de dos componentes principales. El primer componente es un extractor de características compuesto por un autoencoder dual, que captura una representación conjunta tanto de la estructura de la red como de los atributos de los nodos en un espacio latente. El segundo componente es un detector de anomalías que combina un AutoEncoder de Memoria a Corto y Largo Plazo (LSTM-AE) y un predictor, identificando efectivamente instantáneas anormales entre la mayoría de las instantáneas de gráficos normales. En comparación con los baselines, los resultados experimentales muestran que el método propuesto tiene una amplia aplicabilidad y una mayor robustez en tres conjuntos de datos con diferentes niveles de dispersión.