面向时间序列数据的在线机器学习异常检测方法——OML-AD
机器学习
2024-09-17 v1 机器学习
摘要
时间序列在诸多应用中屡见不鲜，从制造过程中的传感器数据到金融数据流再到气候数据皆为自然存在。涉及回归、分类或时间序列分割等不同任务。然而，要可靠地解决这些挑战，重要的是过滤掉偏离时间序列常规行为的异常观测。虽然已有许多针对独立数据和平稳时间序列的异常检测方法存在，但这些方法不适用于非平稳时间序列。为允许数据中的非平稳性同时实现异常检测，我们提出了 OML-AD，这是一种基于在线机器学习 (OML) 的新型异常检测方法。我们在 Python 库 River 中实现了 OML-AD，并表明其在准确率和计算效率方面均优于最先进的基线方法。
引用
@article{arxiv.2409.09742,
title = {OML-AD: Online Machine Learning for Anomaly Detection in Time Series Data},
author = {Sebastian Wette and Florian Heinrichs},
journal= {arXiv preprint arXiv:2409.09742},
year = {2024}
}
备注
14 pages, 4 figures, 4 tables