Обзор выявления выбросов/аномалий во временных рядах
A Review on Outlier/Anomaly Detection in Time Series Data
2021-04-17
SCID: 54.1/kqafqgey
Discuss with AI
обнаружение аномалийтаксономия методов обнаруженияобнаружение выбросоввременные рядыобучение без учителя
Figures from the paper
Abstract (AI)
Последние достижения в области технологий привели к значительным прорывам в сборе данных, сделав возможным накопление больших объемов данных во времени и, тем самым, формирование временных рядов. Анализ этих данных в последние годы стал важной задачей для исследователей и практиков, включая выявление выбросов или аномалий, которые могут отражать ошибки или события, представляющие интерес. Цель данного обзора — представить структурированное и всестороннее современное состояние методов неконтролируемого выявления выбросов применительно к временным рядам. Для этого предложена таксономия, основанная на основных аспектах, характеризующих метод выявления выбросов.
Key Findings
1
Предложена таксономия, организованная по основным аспектам, характеризующим методы обнаружения выбросов во временных рядах.
2
Обзор посвящён растущей важности анализа больших объёмов данных временных рядов, формируемых благодаря технологическому прогрессу.
3
Обзор представляет структурированный анализ современного состояния методов неконтролируемого обнаружения выбросов в данных временных рядов.
4
Аномалии во временных рядах могут указывать как на ошибки в данных, так и на содержательно важные события, что обосновывает необходимость их обнаружения.
Research Object
Данные временных рядов (для обнаружения выбросов/аномалий)
Research Subject
методы неконтролируемого обнаружения выбросов/аномалий и их таксономические характеристики
Publication Details
Publication Date
2021-04-17
Journal
Publisher
ISSN
Cited by
1581
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai5
Обнаружение аномалий2009
Обзор адаптации к дрейфу концепций2014
Надёжное обнаружение аномалий в многомерных временных рядах с использованием стохастической рекуррентной нейронной сети2019
Обнаружение аномалий в потоковых данных в реальном времени без учителя2017
DeepAnT: Подход на основе глубокого обучения для неконтролируемого обнаружения аномалий во временных рядах2018
Работы, цитирующие эту статью8
Трансформеры во временных рядах: обзор2023
Обнаружение аномалий в многомерных временных рядах на основе графовых нейронных сетей2021
Обнаружение аномалий во временных рядах2022
Глубокое обучение для обнаружения аномалий во временных рядах: обзор2024
Глубокое обучение для обнаружения аномалий во временных рядах данных: обзор, анализ и рекомендации2021
Обучение структур графов с помощью Transformer для обнаружения аномалий в многомерных временных рядах в Интернете вещей2021
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