УАҚЫТТЫҚ ҚАТАРЛАРДАҒЫ АНОМАЛИЯЛАРДЫ НЕЙРОЖЕЛІЛЕР АРҚЫЛЫ АНЫҚТАУ ҮШІН МОДЕЛЬДЕР МЕН ӘДІСТЕР
Article Sidebar
Main Article Content
Аңдатпа
Қазіргі таңда әртүрлі құрылғылар күн сайын орасан зор көлемде деректер жинайтын заманда, қандай көрсеткіштердің қалыпты, ал қайсысының қалыптан ауытқитынын түсіну өте маңызды. Уақыттық қатарлардағы аномалияларды анықтау — өнеркәсіп, қаржы, киберқауіпсіздік сияқты көптеген салаларда өзекті міндеттердің бірі болып табылады. Бұл зерттеу SKAB деп аталатын, модельдерді тестілеуге арнайы әзірленген деректер жиынтығының көмегімен жүргізіледі. Бұл деректер жиынтығы түрлі сенсорлардың көрсеткіштерін (қысым, температура, ағын жылдамдығы және т.б.) қамтиды. Жұмыста LSTM Autoencoder, Isolation Forest және Хотеллингтің T² әдісі сияқты модельдер қолданылды. Салыстырмалы талдау нәтижесінде LSTM Autoencoder моделі басқа әдістермен салыстырғанда ең жоғары нәтижелер көрсеткені анықталды.
Article Details
##submission.citations##
Liu, S., Zhou, B., Ding, Q., Hooi, B., Zhang, Z., Shen, H., & Cheng, X. (2022). Time series anomaly detection with adversarial reconstruction networks. IEEE Transactions on Knowledge and Data Engineering, 35(4), 4293-4306.
Ji, Z., Gong, J., & Feng, J. (2021). A novel deep learning approach for anomaly detection of time series data. Scientific Programming, 2021(1), 6636270.
Cheng, H., Tan, P. N., Potter, C., & Klooster, S. (2009, April). Detection and characterization of anomalies in multivariate time series. In Proceedings of the 2009 SIAM international conference on data mining (pp. 413-424). Society for Industrial and Applied Mathematics.
Dix, M., Chouhan, A., Ganguly, S., Pradhan, S., Saraswat, D., Agrawal, S., & Prabhune, A. (2021, August). Anomaly detection in the time-series data of industrial plants using neural network architectures. In 2021 IEEE Seventh International Conference on Big Data Computing Service and Applications (BigDataService) (pp. 222-228). IEEE
Su, Y., Zhao, Y., Niu, C., Liu, R., Sun, W., & Pei, D. (2019, July). Robust anomaly detection for multivariate time series through stochastic recurrent neural network. In Proceedings of the 25th ACM SIGKDD international conference on knowledge discovery & data mining (pp. 2828-2837).
Zhao, P., Chang, X., & Wang, M. (2021). A novel multivariate time-series anomaly detection approach using an unsupervised deep neural network. IEEE Access, 9, 109025-109041.
Gupta, M., Gao, J., Sun, Y., & Han, J. (2012). Community trend outlier detection using soft temporal pattern mining. In Machine Learning and Knowledge Discovery in Databases: European Conference, ECML PKDD 2012, Bristol, UK, September 24-28, 2012. Proceedings, Part II 23 (pp. 692-708). Springer Berlin Heidelberg.
Kut, A., & Birant, D. (2006). Spatio-temporal outlier detection in large databases. Journal of computing and information technology, 14(4), 291-297.
He, Y., & Zhao, J. (2019, June). Temporal convolutional networks for anomaly detection in time series. In Journal of Physics: Conference Series (Vol. 1213, No. 4, p. 042050). IOP Publishing.
Geiger, A., Liu, D., Alnegheimish, S., Cuesta-Infante, A., & Veeramachaneni, K. (2020, December). Tadgan: Time series anomaly detection using generative adversarial networks. In 2020 ieee international conference on big data (big data) (pp. 33-43). IEEE.
Kanarachos, S., Christopoulos, S. R. G., Chroneos, A., & Fitzpatrick, M. E. (2017). Detecting anomalies in time series data via a deep learning algorithm combining wavelets, neural networks and Hilbert transform. Expert Systems with Applications, 85, 292-304.