面向时间序列数据集的生成式异常检测
机器学习
2022-06-30 v1 人工智能
信号处理
摘要
交通拥堵异常检测在智能交通系统中至关重要。交通机构的目标有两方面：监测感兴趣区域的整体交通状况，以及定位处于异常拥堵状态的路段。对拥堵模式建模可为城市级道路实现这些目标，这等同于学习多元时间序列（MTS）的分布。然而，现有工作要么不可扩展，要么无法同时捕捉MTS中的时空信息。为此，我们提出了一个原则性且全面的框架，由数据驱动的 generative 方法组成，可对交通异常检测执行可处理的密度估计。我们的方法首先在特征空间中对路段聚类，然后在无监督设置下使用条件归一化流（conditional normalizing flow）在簇级别识别异常时间快照。接着，我们在异常簇上使用核密度估计器在路段级别识别异常。在合成数据集上的大量实验表明，我们的方法在召回率（Recall）和F1分数（F1-Score）方面显著优于几种最先进的拥堵异常检测与诊断方法。我们还使用生成模型采样标注数据，可在有监督设置下训练分类器，缓解稀疏设置下异常检测标注数据缺乏的问题。
引用
@article{arxiv.2206.14597,
title = {Generative Anomaly Detection for Time Series Datasets},
author = {Zhuangwei Kang and Ayan Mukhopadhyay and Aniruddha Gokhale and Shijie Wen and Abhishek Dubey},
journal= {arXiv preprint arXiv:2206.14597},
year = {2022}
}
备注
A shorter version of the paper was accepted at the ITSC 2022