Sep, 2023

美国东北关键带研究集水区时间序列数据中检测异常峰值模式的自动化机器学习方法

PDF
TL;DR该研究论文提出了一个自动化机器学习框架，旨在帮助水文学家检测美国东北部关键区域研究流域传感器生成的时间序列数据中的异常。该框架着重于识别峰值模式异常，该类异常可能来自传感器故障或自然现象。为了应对这些挑战，该框架利用合成生成的时间序列数据注入合成峰值模式，生成带有标签的数据集，并结合自动化超参数优化机制选择最合适的深度学习模型。该框架使用时间序列生成对抗网络 (TimeGAN) 作为合成数据集生成器，并通过准确性和计算成本等指标对产生的模型实例进行评估。通过应用于流域数据集的性能评估，该框架始终选择满足用户偏好的最佳模型实例。
automated machine learninganomaly detectiontime series datasensor malfunctionsdeep learning models
发现论文，激发创造
  • 基于模式的时间序列风险评分用于异常检测与警报过滤 —— 预测性维护案例研究

    快速有效的基于序列模式相似性的异常检测和警报过滤方法在大规模现实世界工业系统中被应用，通过与现有基准方法进行对比，验证了其普适性和稳健性。

    May, 2024

  • 使用卷积神经网络和迁移学习进行时间序列异常检测

    这篇论文提出了一种基于卷积神经网络的时序分割方法来检测异常，并使用迁移学习框架在大规模合成单变量时间序列数据集上进行预训练，然后在小规模、单变量或多变量数据集上进行微调，同时针对多变量情况，介绍了一种新的网络架构。该方法在多个合成和实际数据集上进行了成功测试。

    May, 2019

  • 扭曲时间序列异常检测

    该研究论文探讨了检测时间序列异常值的问题，重点关注具有重复行为的系统，例如在生产线上操作的工业机器人。通过使用特定于大型时间序列的基于 GPU 的质心算法，该论文提出了一种异常检测方法，该方法可以识别出重复周期并计算异常得分，以检测异常循环。实验证明，该方法能够处理大型信号，计算人类友好的原型，使用非常少的数据，并且优于一些通用的异常检测方法，如自编码器。

    Apr, 2024

  • 工业物联网中基于通信效率高的设备联邦学习方法的时间序列深度异常检测

    本文提出了一种基于联邦学习的通信高效设备协作深度异常检测框架，使用注意力机制的 CNN-LSTM 模型对工业物联网的时间序列数据进行准确探测，并使用基于 Top-k 选择的梯度压缩机制来提高通信效率。该框架可通过实验研究发现，准确及时检测异常并比未使用梯度压缩方案的联邦学习框架减少 50％通信开销。

    Jul, 2020

  • 时序异常检测；在具有有限特征和稀疏样本的嘈杂高周期数据中检测异常降落

    该研究使用 TensorFlow 学习不同模型包括 DNNs, RNNs, 和 LSTMs 进行回归，并使用异常检测应用这些模型到具有噪音周期性的流量数据上，提高了检测周期性流量峰谷异常的准确度。

    Aug, 2017

  • 基于生成模型的时间序列异常检测

    本研究提出了一种基于数据驱动生成方法的交通拥堵异常检测框架，通过对多变量时间序列的分布进行学习，结合空间 - 时间信息进行聚类和核密度估计，能够在无监督和稀疏的环境下实现交通异常的检测和分类，并在合成数据集上得到了显著的性能提升。

    Jun, 2022

  • 基于 RNN 的 Tennessee Eastman 工艺早期网络攻击检测

    本研究采用基于循环神经网络的预测方法，对模拟的 Tennessee Eastman 工艺过程中的工业多变量时间序列数据进行早期异常检测，通过特定的 NAB 评估方法进行早期检测，同时提供了与 DPCA 方法的比较。

    Sep, 2017

  • TSI-GAN: 使用卷积循环一致性生成对抗网络进行无监督的时间序列异常检测

    本研究提出 TSI-GAN，一种用于时序数据的无监督异常检测模型，可以自动学习复杂的时间模式并广义于不同数据集，通过将每个输入时间序列转换为二维图像序列，并使用具有逆映射准确性的重建型 GAN 进行训练，以及后处理中应用 Hodrick-Prescott 过滤器来缓解假阳性问题，最终实验表明，与 8 种基准方法相比，TSI-GAN 具有明显的性能优势。

    Mar, 2023

  • 利用异构时间序列数据的两阶段深度异常检测

    介绍了基于制造数据集的异常检测框架，该框架利用异质时间序列数据，提出了一个两阶段的深度异常检测 (TDAD) 框架，该框架在操作周期信号和传感器信号类型上采用了两种不同的无监督学习模型，并结合了其它特征，通过实验综合展示了其对于单级对照方法的优越性、模型无关性和鲁棒性。

    Feb, 2022

  • Microsoft 的时间序列异常检测服务

    本文介绍了微软公司开发的时间序列异常检测服务的流程和算法，并且首次尝试将 Spectral Residual 模型与卷积神经网络相结合，用于时间序列异常检测，经过实验验证，在公共数据集和微软生产数据中的表现都优于现有成果。

    Jun, 2019