Обнаружение аномалий во временных рядах
Anomaly detection in time series: a comprehensive evaluation
2022-05-01
SCID: 54.1/493nu8xk
Discuss with AI
оценка алгоритмоввыбор алгоритмааномальные подпоследовательностисовременные алгоритмыобнаружение аномалий во временных рядах
Figures from the paper
Abstract (AI)
Обнаружение аномальных подпоследовательностей в данных временных рядов является важной задачей в различных областях — от производственных процессов и финансовых приложений до мониторинга состояния здоровья. Аномалия может указывать на важные события, такие как производственные неисправности, узкие места в поставках, дефекты систем или фибрилляцию сердца, и поэтому представляет значительный интерес. Поскольку временные ряды часто имеют большой объём и характеризуются сложными закономерностями, специалисты по анализу данных разработали различные специализированные алгоритмы для автоматического обнаружения таких аномальных закономерностей. Число и разнообразие алгоритмов обнаружения аномалий значительно возросли, однако, поскольку многие из этих решений разрабатывались независимо различными научными сообществами, не существует всестороннего исследования, систематически оценивающего и сравнивающего различные подходы. Поэтому выбор наилучшего метода обнаружения для конкретной задачи обнаружения аномалий представляет собой сложную проблему. В этом всестороннем научном исследовании тщательно оценивается большинство современных алгоритмов обнаружения аномалий. Мы собрали и повторно реализовали 71 алгоритм обнаружения аномалий из различных предметных областей и оценили их на 976 наборах данных временных рядов. Алгоритмы были отобраны из различных семейств алгоритмов и подходов к обнаружению, чтобы представить весь спектр методов обнаружения аномалий. В статье представлен краткий обзор этих методов и их общих черт; оцениваются их индивидуальные сильные и слабые стороны, а также учитываются такие факторы, как результативность, эффективность и робастность. Полученные экспериментальные результаты должны упростить выбор алгоритмов и открыть новые направления исследований.
Key Findings
1
Оценка на 976 наборах данных временных рядов сравнивает алгоритмы по эффективности, производительности и устойчивости, восполняя недостаток комплексных бенчмарков.
2
Анализ выявляет сильные и слабые стороны отдельных подходов, предоставляя основу для выбора алгоритма под конкретную задачу обнаружения аномалий.
3
Сравнительное исследование обобщает общие черты методов обнаружения аномалий и обозначает направления для дальнейших исследований.
4
В исследовании повторно реализованы и систематически оценены 71 алгоритм обнаружения аномалий во временных рядах из различных семейств и прикладных областей.
Research Object
данные временных рядов и содержащиеся в них аномальные подпоследовательности
Research Subject
эффективность, вычислительная эффективность, робастность и сравнительная результативность алгоритмов обнаружения аномалий при выявлении аномальных подпоследовательностей
Publication Details
Publication Date
2022-05-01
Journal
Publisher
ISSN
Cited by
914
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai12
XGBoost2016
Обнаружение аномалий2009
Isolation Forest2008
Надёжное обнаружение аномалий в многомерных временных рядах с использованием стохастической рекуррентной нейронной сети2019
Обзор выявления выбросов/аномалий во временных рядах2021
Обнаружение аномалий без учителя с помощью вариационного автокодировщика для сезонных KPI в веб-приложениях2018
Обнаружение аномалий в потоковых данных в реальном времени без учителя2017
Обнаружение аномалий в многомерных временных рядах с помощью графовой сети внимания2020
DeepAnT: Подход на основе глубокого обучения для неконтролируемого обнаружения аномалий во временных рядах2018
Сервис обнаружения аномалий во временных рядах в Microsoft2019
VAE-GAN на основе LSTM для обнаружения аномалий во временных рядах2020
Современные достижения в методах обнаружения аномалий, применяемых в авиации2019
Работы, цитирующие эту статью3
Глубокое обучение для обнаружения аномалий во временных рядах: обзор2024
Обзор графовых нейронных сетей для временных рядов: прогнозирование, классификация, импутация и обнаружение аномалий2024
DCdetector: контрастивное обучение представлений временных рядов с двойным вниманием для обнаружения аномалий2023