日时间序列异常检测中抑制季节性误报的k参数方法
机器学习
2023-11-16 v1
摘要
检测具有周模式的日时间序列中的异常是一项常见任务，应用广泛。执行该任务的典型方法是使用分解法。然而，该方法常产生误报：数据点落在其周范围内但仅偏离其工作日位置。我们将此类异常称为“季节性异常”，并提出一种k参数方法来解决该问题。该方法为季节性异常提供可配置的额外容差，以抑制误导性告警同时保留真实阳性。其取得了良好结果。
引用
@article{arxiv.2311.08422,
title = {k-Parameter Approach for False In-Season Anomaly Suppression in Daily Time Series Anomaly Detection},
author = {Vincent Yuansang Zha and Vaishnavi Kommaraju and Okenna Obi-Njoku and Vijay Dakshinamoorthy and Anirudh Agnihotri and Nantes Kirsten},
journal= {arXiv preprint arXiv:2311.08422},
year = {2023}
}
备注
5 pages, 7 figures