Fehlererkennung bei zeitlicher Änderung der Variablen (Trending) über die Zeit hinweg

Question

Ich bin ziemlich neu in der Anomalieerkennung in der Zeitsequenz, daher kann meine Frage für einige von Ihnen offensichtlich sein. Heute verwende ich lstm und Clustering-Techniken, um Anomalien auf Zeitsequenzen zu erkennen, aber diese Methode kann keine Anomalien identifizieren, die sich im Laufe der Zeit langsam verschlechtern (ich glaube, es heißt Trending), dh die Temperatur der Maschine steigt im Laufe des Monats langsam an (lstm lerne diesen Trend und prognostiziere den Anstieg ohne besonderen Fehler). Gibt es eine solche Methode, um diese Art von Falschen zu erkennen?

Answer 1

Mit Zeitreihen ist das, was Sie normalerweise wollen: allmähliche Veränderung lernen, abrupte Veränderungen erkennen. Ansonsten spielt die Zeit keine Rolle.

Sie können versuchen, z.B. das SigniTrend-Modell mit einer sehr langsamen Lernrate (eine lange Halbwertzeit oder wie auch immer sie es nannte. Ignoriere alle Token, Hashing und Skalierbarkeit in diesem Papier, hol nur den EWMA + EWMVar Teil, den ich wirklich mag und verwende ihn auf deinem Zeitfolgen).

Wenn Sie die Lernrate sehr niedrig einstellen, sollte sich die Schwelle langsam genug bewegen, damit Ihre "allmähliche" Änderung sie immer noch auslösen kann.

Oder Sie ignorieren Zeit vollständig. Teilen Sie Ihre Daten in einen Trainingssatz auf (der keine Anomalien enthalten darf), lernen Sie den Mittelwert und die Varianz, um Schwellenwerte zu finden. Dann klassifiziere jeden Punkt außerhalb dieser Schwellenwerte als anomal (i.e. Temperatur> Mittelwert + 3 * Standardabweichung). Wie dieser super naive Ansatz nicht lernt, wird er auch keiner Drift folgen. Aber dann spielt die Zeit keine Rolle mehr.