面向先进制造的实时异常检测：改进Twitter的当前最优方法
信号处理
2020-07-22 v2 统计方法学
摘要
实时异常检测对于维持包括Web服务和智能制造在内的广泛应用中的性能与效率至关重要。本文提出一种通过统计学习检测流时间序列数据中异常的新算法。我们采用滑动窗口方法将广义极端学生化偏差检验[1]适配于流数据。通过对Grubbs检验统计量[2]的递归更新，使该方法在计算上可行。此外，采用优先队列[3]以降低内存需求，算法中维护所需数据流的窗口子集而非完整列表。我们的方法具有统计严谨性，适用于流数据，并且优于Twitter公司（Twitter）[4]近期发布、并被其多个团队日常用作当前最优方法的AnomalyDetection软件包[5]。该方法通过使用来自Twitter AnomalyDetection GitHub仓库的未标记数据示例以及一个带标记异常的真实制造示例加以演示。
引用
@article{arxiv.1911.05376,
title = {Real-Time Anomaly Detection for Advanced Manufacturing: Improving on Twitter's State of the Art},
author = {Caitríona M. Ryan and Andrew Parnell and Catherine Mahoney},
journal= {arXiv preprint arXiv:1911.05376},
year = {2020}
}