提升工业时间序列异常检测：分割与异构集成的作用
机器学习
2025-10-13 v1
摘要
在机器学习领域，分割模型可以识别时间序列中的状态变化，从而促进正常与异常条件之间转换的检测。变点检测（CPD）等特定技术，特别是 ChangeFinder 等算法，已被成功应用于分割时间序列并通过减少时间不确定性来改善异常检测，尤其是在多变量环境中。在本工作中，我们探讨了分割技术与异构集成的结合如何提升工业生产过程异常检测的效果。结果表明，在选择异构集成算法之前将分割作为预处理步骤应用，在我们的案例研究中提供了显著优势，将 AUC-ROC 指标从 0.8599（使用 PCA 和 LSTM 集成实现）提升至 0.9760（使用随机森林和 XGBoost 实现）。这一提升归因于分割在减少时间模糊性和促进监督算法学习过程方面的能力。在未来的工作中，我们打算评估引入源自变点研究的加权特征，结合分割和异构集成使用，以进一步优化早期异常检测中的模型性能。
引用
@article{arxiv.2510.09079,
title = {Improving Anomaly Detection in Industrial Time Series: The Role of Segmentation and Heterogeneous Ensemble},
author = {Emilio Mastriani and Alessandro Costa and Federico Incardona and Kevin Munari and Sebastiano Spinello},
journal= {arXiv preprint arXiv:2510.09079},
year = {2025}
}
备注
Conference paper. Under publication process at CODIT 2025