Una canalización de ajuste fino basada en pronósticos en línea para la predicción de anomalías en series de tiempo

Área de la Ciencia:

• Inteligencia Artificial
• Aprendizaje Automático
• Ciencia de Datos

Sus antecedentes:

• La detección de anomalías en series de tiempo es crucial pero se limita a datos completos.
• Los métodos existentes requieren datos de referencia, lo que dificulta la predicción de anomalías futuras.
• Existe una brecha en la predicción de anomalías sin conocimiento previo de los datos de referencia.

Objetivo del estudio:

• Presentar la Predicción de Anomalías en Series de Tiempo (TSAP) para el pronóstico de anomalías.
• Desarrollar un método para predecir la ocurrencia y progresión de anomalías sin datos de referencia.
• Abordar las limitaciones de las técnicas actuales de detección y pronóstico de anomalías.

Principales métodos:

• Proponer una canalización de pre-entrenamiento y ajuste fino basada en ejemplares.
• Utilizar técnicas de pronóstico de series de tiempo en línea para la predicción de anomalías.
• Emplear un proceso en línea de tres pasos: predicción/detección, búsqueda de motivos y ajuste fino de ejemplares.

Principales resultados:

• Logra hasta un 53,8% de mejora en la puntuación F1 de detección de anomalías.
• Mejora la precisión del pronóstico de series de tiempo durante las anomalías hasta en un 82,4% (MSE).
• Mejora la precisión del pronóstico de series de tiempo post-anomalía hasta en un 49,1% (MSE).

Conclusiones:

• El método TSAP propuesto aborda eficazmente el desafío de predecir anomalías futuras.
• Demuestra un rendimiento superior en comparación con los métodos de vanguardia en datos del mundo real y sintéticos.
• Destaca la capacidad del método para tareas actualmente no abordadas por las técnicas de detección o pronóstico de anomalías existentes.