یک مدل جدید مبتنی بر پنجره لغزان برای تشخیص ناهنجاری در سری‌های زمانی چند متغیره

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده ریاضی و علوم کامپیوتر، دانشگاه دامغان، دامغان، ایران

2 دانشکده مهندسی، دانشگاه دامغان، دامغان، ایران

10.22052/scj.2024.253155.1160

چکیده

شناسایی ناهنجاری در سری‌های زمانی چند متغیره یکی از موضوع‌های فعال پژوهشی است که در حوزه‌های مختلفی کاربرد دارد. در حوزه تشخیص ناهنجاری، استفاده از متدهای مبتنی بر پنجره بسیار مرسوم است. این متدها تنها قابلیت تشخیص پنجره ناهنجار را دارند و قابلیت شناسایی نقطه ناهنجاری را ندارند حتی اگر تمام نقاط آن پنجره ناهنجار نباشند. این یک محدودیت اساسی در حوزه متدهای مبتنی بر پنجره است. برای حل این مشکل، ما یک مدل غیرنظارتی مبتنی بر پنجره لغزان برای شناسایی ناهنجاری‌های تجمعی در سری‌های زمانی چند متغیره پیشنهاد دادیم. مدل ما، یک مکانیزم پنجره لغزان را بر روی سری زمانی ورودی چندین بار اجرا می‌کند و سپس از یک تابع تجمیع برای تجمیع درجه‌های ناهنجاری تخصیص داده شده به پنجره‌ها استفاده می‌نماید. این مکانیزم، تشخیص زیردنباله‌های با ناهنجاری بیشتر را تسهیل می‌کند به نحوی که امکان تشخیص این زیردنباله‌ها حتی اگر دقیقا در یک پنجره قرار نداشته باشند نیز فراهم می‌شود. برای ارزیابی عملکرد مدل پیشنهادی از چندین مجموعه داده مصنوعی و واقعی نظیر مجموعه‌های SKAB و MSL استفاده شده است. نتایج به دست آمده برتری مدل پیشنهادی را تایید می‌کنند. برای مدل پیشنهادی شاخص درجهF برای مجموعه داده SKAB با مقدار 0.902 و برای مجموعه داده MSL با مقدار 0.620 به دست آمد که این نتایج در مقایسه با مقدار این شاخص برای سایر روش‌ها به میزان دو برابر بهتر است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

A Novel Sliding Window-Based Model for Outlier Detection in Multivariate Time Series

نویسندگان [English]

  • Elham Enayati 1
  • Reza Mortazavi 2
  • Abdolali Basiri 1
  • Javad Ghasemian 1
  • Mahmoud Moallem 1
1 Department of Mathematics and Computer Sciences, Damghan University, Damghan, Iran
2 Department of Engineering, Damghan University, Damghan, Iran
چکیده [English]

Anomaly detection in multivariate time series has been an active research area due to its widespread application in various fields. Window-based methods are popular in the anomaly detection domain. These methods identify anomalous windows rather than specific anomalous points, even if not all points within the window are anomalies. It is a critical limitation of window-based methods. We propose an unsupervised sliding window-based model for detecting anomalies in multivariate time series to address this limitation. Our model employs a sliding mechanism to iterate through the input time series multiple times and utilizes a consensus function to aggregate different window anomaly scores. This mechanism facilitates the discovery of more anomalous subsequences, even if they are not precisely confined within a specific window. To evaluate the performance of the proposed method, several experiments on synthetic and real-world datasets, including SKAB and MSL, with multiple indices. The results confirm the superiority of the proposed method. The method achieves an Fscore of 0.902 for SKAB and 0.620 for MSL, which are twice as good as the results achieved by other methods.

کلیدواژه‌ها [English]

  • Anomaly Detection
  • Multivariate Time Series
  • Sliding Window
  • Consensus Function
  • Clustering Algorithm