Глубокое обучение для обнаружения аномалий во временных рядах данных: обзор, анализ и рекомендации

По мере автоматизации промышленности и развития технологий подключения широкий спектр систем продолжает генерировать огромные объемы данных. Для извлечения основных показателей из этого обширного массива данных, позволяющих представить общее состояние системы, было предложено множество подходов. Своевременное обнаружение аномалий с использованием этих показателей может предотвратить аварии и экономические потери. Обнаружение аномалий в многомерных временных рядах представляет собой особую сложность, поскольку требует одновременного учета временных зависимостей и взаимосвязей между переменными. Современные исследования, основанные на глубоком обучении, продемонстрировали значительный прогресс в этой области. Такие методы обладают высокой способностью к обучению представлений крупномасштабных последовательностей без учителя и выявлению аномалий в данных. Однако большинство из них тесно связано с конкретными сценариями применения и поэтому требует предметных знаний для корректного внедрения. В этом обзоре изложены основы обнаружения аномалий во временных рядах и рассмотрены последние практические приложения в реальном мире. Кроме того, проведен сравнительный анализ современных моделей глубокого обнаружения аномалий во временных рядах с использованием нескольких эталонных наборов данных. Наконец, предложены рекомендации по выбору моделей и стратегии обучения для обнаружения аномалий во временных рядах на основе глубокого обучения.