面向时间序列数据的鲁棒异常检测
机器学习
2022-02-08 v1
摘要
时间序列异常检测在监测复杂运行状况中起着至关重要的作用。然而,现有方法的检测精度深受模式分布、多种正常模式的存在、动态特征表示以及参数设置的影响。为提高鲁棒性并保证精度,本研究结合阴性选择、无阈值递归图与极限学习机自编码器的优势,提出面向时间序列数据的鲁棒异常检测(RADTD),其能自动学习时间序列中的动态特征,并以低标签依赖与高鲁棒性识别异常。采用 Yahoo 基准数据集与三项隧道工程仿真实验评估 RADTD 性能。实验表明,在基准数据集中 RADTD 分别比递归量化分析与极限学习机自编码器具有更高精度与鲁棒性,且 RADTD 准确检测了隧道沉降事故的发生,表明其在精度与鲁棒性上的优异表现。
引用
@article{arxiv.2202.02721,
title = {Robust Anomaly Detection for Time-series Data},
author = {Min Hu and Yi Wang and Xiaowei Feng and Shengchen Zhou and Zhaoyu Wu and Yuan Qin},
journal= {arXiv preprint arXiv:2202.02721},
year = {2022}
}
备注
18 pages, 12 figures, 6 tables