Nov, 2023

每日时间序列异常检测中的季节性虚假异常抑制的 k 参数方法

PDF
TL;DR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。
anomaliesdaily time seriesweekly patterndecomposition methodin-season anomalies
发现论文，激发创造
  • 解析异常：一种用于时间序列异常检测的端到端季节趋势分解方法

    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

  • 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

    本文提出了 QBSD 方法，旨在在时系列异常检测中取得最佳的计算复杂度和预测准确性之间的平衡，实验证明 QBSD 方法相对于现有方法在实际应用场景中表现更为优越。

    Jun, 2023

  • 监控服务中自动单变量时间序列异常检测的优化目标优化

    该研究论文提出了一个全面的自动参数优化框架，用于时间序列异常检测模型，通过预测分数、形状分数和灵敏度分数三个优化目标，可以适应不同的模型，简化用户的操作，并取得了良好的检测结果。

    Jul, 2023

  • 模型适应新的规范：无监督时间序列异常检测的测试时间调整

    针对非监督时间序列异常检测研究中的 ' 新常态问题 '，本文提出了一种基于趋势估计和自监督方法的简单而有效的测试时间适应策略，通过在推理过程中学习新的常态性，从而提高异常检测器的性能并增强对分布变化的鲁棒性。

    Dec, 2023

  • KPI 异常检测的自适应阈值启发法

    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

  • 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

    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。

    Sep, 2023

  • MTAD：多元时间序列异常检测工具与基准

    通过综述与评估 12 种最先进的 KPI 异常检测方法并提出了一种新的评估指标 “显著性”，该研究为未来的学术研究与工业应用提供了基础。

    Jan, 2024

  • 利用集成技术检测多变量时间序列中的异常

    多变量时间序列异常检测中的基于深度神经网络的特征提取和集成技术及其在水流闭环数据集上的实验结果的改进方法。

    Aug, 2023

  • OneShotSTL: 在线时间序列异常检测和预测的一次性季节趋势分解

    提出了一种名为 OneShotSTL 的算法，该算法可以在线分解时间序列，其时间复杂度为 O (1)，比现有的批处理方法快 1000 倍以上，并且能够支持实时分析以及时间序列异常检测。

    Apr, 2023

  • 电信网络 KPI 时间序列异常分类

    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