OnlineSTL：将时间序列分解加速 100 倍
机器学习
2022-08-08 v4 数据库
摘要
将复杂时间序列分解为趋势、季节性和残差分量，是一项重要的基础操作，有助于时间序列异常检测、变点检测和预测。尽管已知众多用于时间序列分解的批处理算法，但在高吞吐量与实时响应至关重要的在线可扩展场景中，它们均表现不佳。本文提出 OnlineSTL，一种新颖的在线时间序列分解算法，具有高度可扩展性，并已部署于高分辨率、高摄入率数据的实时指标监控中。在不同合成与真实世界时间序列数据集上的实验表明，OnlineSTL 在保持分解质量的同时实现了数量级的加速（100 倍）。
引用
@article{arxiv.2107.09110,
title = {OnlineSTL: Scaling Time Series Decomposition by 100x},
author = {Abhinav Mishra and Ram Sriharsha and Sichen Zhong},
journal= {arXiv preprint arXiv:2107.09110},
year = {2022}
}
备注
8 pages, 9 figures, vldb submission