贝叶斯在细粒度时间序列中的联合异常检测与变点检测
统计方法学
2025-08-11 v1
摘要
细粒度时间序列数据对于准确且及时的在线变点检测至关重要。虽然在此类数据中既存在 collective anomalies 也存在 change points，但其联合在线检测目前关注不足。本研究发展一种捕获具备 collective anomalies 和 change points 的时间序列的贝叶斯框架，并引入一种递归在线推断算法，用于联合检测最近的 collective anomaly 和 change point。为实现规模化，我们进一步提出一种结合了异常消除的算法，有效将时间和空间复杂度降低至线性。我们通过在仿真数据和两个真实应用场景上的大量实验表明我们方法的有效性。
引用
@article{arxiv.2508.06385,
title = {Bayesian online collective anomaly and change point detection in fine-grained time series},
author = {Xian Chen and Weichi Wu},
journal= {arXiv preprint arXiv:2508.06385},
year = {2025}
}