基于四分位数的季节性分解用于时间序列的预测和异常检测
该论文提出了一种新颖的通用时间序列分解算法来解决现实世界数据中存在的季节性波动变化、趋势和异常值的挑战,其方法基于解决回归问题使用稀疏正则化的最小绝对偏差损失来鲁棒地提取趋势,并基于趋势提取具有非局部季节性的滤波,该过程重复直到获得准确的分解。实验表明,我们的方法优于现有的解决方案。
Dec, 2018
提出一种效率高且可扩展的时间序列异常检测框架--RobustTAD,该框架通过整合强韧的季节-趋势分解和卷积神经网络来处理复杂的时间序列模式,以捕获多尺度信息,并使用数据增强方法来处理标注数据不足的问题。该框架在阿里巴巴集团的不同业务场景中广泛应用并表现显著优异。
Feb, 2020
本文系统评估了多种无监督和半监督的基于深度学习的方法,针对来自物联网系统的多维时间序列数据进行异常检测和诊断。通过实验,我们提出了评估时间序列异常检测的组合F-score ($Fc_1$) 度量,该度量考虑了异常事件的相关性和检测器的复杂性。实验结果表明,通过动态评分函数,相比静态评分函数,更能提高检测的准确性。而在具体的评分函数的选择上,往往比基本模型的选择更为重要。最后通过实验,我们发现了一个简单而有效的检测器,即基于单变量完全连接的自编码器,并采用动态高斯评分函数。该检测器在异常检测和诊断方面胜过了现有的算法。
Sep, 2021
本文提出了一种自适应阈值启发式方法(ATH),用于根据数据分布的本地特性动态调整检测阈值,以适应时间序列模式的变化,并通过期望的周期性和观察到的异常比例来计算阈值,以在时间序列KPI的异常检测中减少误判和处理概念漂移。实验结果表明,ATH计算效率高,适用于准实时异常检测,并可与多个预测器和异常检测器灵活配合使用。
Aug, 2023
本文提出了一个模块化的异常分类框架,用于自动检测和分类电信网络中的异常,研究采用时间序列模拟器生成真实网络KPI行为的合成时间序列,构建检测模型和分类模型,并验证了在真实网络时间序列数据中应用合成异常上训练的分类模型的良好性能。
Aug, 2023
TADNet 是一种端到端的传统时间序列异常检测模型,利用季节-趋势分解将各种类型的异常链接到特定的分解组件,从而简化复杂时间序列的分析,并提高检测性能。
Sep, 2023
通过使用分解方法检测日常时间序列中的周模式异常并提出了一种 k-参数方法,为季节性异常提供可配置的额外容差以压制误导性报警并保留真正的异常点,从而得到了良好的结果。
Nov, 2023
TimeSeriesBench是一个工业级基准测试平台,通过多个训练和测试范式、评估指标和数据集的结合共计168个评估设置,评估了现有算法的性能,并提供了异常检测算法的未来设计建议。
Feb, 2024
本研究处理了时间序列数据中异常检测的重要挑战,传统方法往往低估了延迟时间和异常视野的作用。提出一种新的异常预测方法,将时间信息直接融入预测结果中,实验结果显示该方法在提供及时和准确的异常预测方面具有显著优势,为未来相关研究设定了新基准。
Aug, 2024