基于不确定性感知时间序列集成的异常前兆预测
摘要
检测时间序列数据中的异常值在工业运营、金融和网络安全等领域至关重要，因为早期识别异常模式对于确保系统可靠性和启用预防性维护至关重要。然而，大多数现有方法是反应性的：它们仅在异常发生后检测异常，缺乏提供主动预警信号的能力。本文提出 FATE（Forecasting Anomalies with Time-series Ensembles，基于时间序列集成预测异常），这是一种新颖的无监督框架，用于检测异常前兆（Precursors-of-Anomaly, PoA），通过来自多样化时间序列预测模型集合的预测不确定性来实现。与依赖重建误差或需要 ground-truth 标签的先前方法不同，FATE 预测未来值并利用集合 disagreement 来在推断时无需访问目标值的情况下信号潜在异常的早期迹象。为严格评估 PoA 检测，我们引入了「前兆时间序列感知召回率」（Precursor Time-series Aware Precision and Recall, PTaPR），该指标通过联合评估分段精度、段内覆盖率和早期预测的时间提示度，扩展了传统「时间序列感知召回率」（Time-series Aware Precision and Recall, TaPR）。这使得对早期警报能力进行更全面的评估，现有指标所忽视的评估得益于此。实验在五个真实世界基准数据集上进行，显示 FATE 在 PTaPR AUC 和早期检测 F1 分数上分别实现了平均提升 19.9 个百分点和 20.02 个百分点，同时无需异常标签即可超越基线方法。这些结果表明 FATE 在复杂时间序列环境中实现无监督实时预警的有效性和实用性。
引用
@article{arxiv.2602.17028,
title = {Forecasting Anomaly Precursors via Uncertainty-Aware Time-Series Ensembles},
author = {Hyeongwon Kang and Jinwoo Park and Seunghun Han and Pilsung Kang},
journal= {arXiv preprint arXiv:2602.17028},
year = {2026}
}
备注
This manuscript contains 14 pages and 8 figures. It is currently under review at IEEE Transactions on Neural Networks and Learning Systems (TNNLS)