异常预测：基于未来上下文建模的时间序列异常预测
机器学习
2024-10-17 v1 人工智能
摘要
从时间序列数据中识别异常在诸多领域（如基础设施安全、智能运维和太空探索）中发挥重要作用。当前研究侧重于异常发生后检测异常，这可能导致重大的财务/声誉损失或基础设施损坏。本文则研究了更为实际且极具挑战性的问题——时间序列异常预测，旨在在异常事件发生前提供预警。为解决此问题，我们提出一种新颖的方法，称为未来上下文建模（Future Context Modeling, FCM）。其核心思想是：若目标窗口内的未来异常事件前的观察窗口与正常数据存在任何细微差异，即可准确预测这些异常事件。为有效捕捉此类差异，FCM首先利用长期预测模型生成基于观察数据的判别性未来上下文，以放大这些微小而异常的差异。随后，FCM将观察数据与预测的未来上下文之间的正常性关联性建模，以补充对目标窗口可能异常性状的预测中对正常性建模。FCM还引入联合变量-时间注意力学习，利用时间序列数据的时序信号和特征，实现更具判别性的正常性建模。在五个数据集上的全面实验表明，FCM在多个数据集上实现良好的召回率（70%以上），并在F1分数上显著优于所有基线方法。代码已公开于 https://github.com/mala-lab/FCM。
引用
@article{arxiv.2410.12206,
title = {Abnormality Forecasting: Time Series Anomaly Prediction via Future Context Modeling},
author = {Sinong Zhao and Wenrui Wang and Hongzuo Xu and Zhaoyang Yu and Qingsong Wen and Gang Wang and xiaoguang Liu and Guansong Pang},
journal= {arXiv preprint arXiv:2410.12206},
year = {2024}
}
备注
11 pages, 5 figures, submitted to KDD conference