Обнаружение аномалий во временных рядах

Anomaly detection in time series: a comprehensive evaluation
Sebastian Schmidl, Phillip Wenig, Thorsten Papenbrock
2022-05-01

оценка алгоритмоввыбор алгоритмааномальные подпоследовательностисовременные алгоритмыобнаружение аномалий во временных рядах
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.
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.

данные временных рядов и содержащиеся в них аномальные подпоследовательности

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
Access Type
Author Information
Authors
Sebastian Schmidl
Phillip Wenig
Thorsten Papenbrock
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%