基于共价模型的多变量时间序列共轨异常识别（CoCAI）
机器学习
2025-09-30 v1 机器学习
摘要
我们提出一种新框架，运用生成式人工智能与共价模型建模的力量，解决多变量时间序列分析中的两个关键挑战：提供准确预测并实现稳健的异常检测。我们的方法称为基于共价的共轨异常识别用于多变量时间序列（Copula-based Conformal Anomaly Identification for Multivariate Time-Series, CoCAI），利用基于扩散的模型捕捉数据中复杂的依赖关系，实现高质量预测。该模型的输出进一步通过共轨预测技术进行校准，得到统计上有效的预测区域，即以所需置信水平覆盖真实目标值。基于这些校准后的预测，我们结合降维技术与共价模型建模，进行稳健的离群点检测，提供基于统计学的异常得分。CoCAI受益于离线校准阶段，可在部署时最小化开销，输出基于既定理论基础的可操作结果。在源自水力分布和污水系统的真实运营数据上的实证测试表明，CoCAI在准确预测目标数据序列及识别其中的异常段落方面均表现出色。
引用
@article{arxiv.2507.17796,
title = {CoCAI: Copula-based Conformal Anomaly Identification for Multivariate Time-Series},
author = {Nicholas A. Pearson and Francesca Zanello and Davide Russo and Luca Bortolussi and Francesca Cairoli},
journal= {arXiv preprint arXiv:2507.17796},
year = {2025}
}
备注
Accepted for Presentation at Runtime Verification 25