時系列異常予測のためのオンライン予測ベースファインチューニングパイプライン

科学分野:

• 人工知能
• 機械学習
• データサイエンス

背景:

• 時系列異常検出は重要ですが、完全なデータに限定されます。
• 既存の方法では真の値が必要であり、将来の異常の予測を妨げます。
• 真の値の事前の知識なしに異常を予測するギャップが存在します。

研究 の 目的:

• 異常を予測するための時系列異常予測（TSAP）を導入します。
• 真の値なしで異常の発生と進行を予測する方法を開発します。
• 現在の異常検出および予測技術の限界に対処します。

主な方法:

• 例ベースの事前トレーニングとファインチューニングパイプラインを提案します。
• 異常予測のためのオンライン時系列予測技術を利用します。
• 予測/検出、モチーフ検索、および例ファインチューニングの3段階のオンラインプロセスを採用します。

主要な成果:

• 異常検出F1スコアで最大53.8%の改善を達成しました。
• 異常発生時の時系列予測精度を最大82.4%（MSE）向上させました。
• 異常発生後の時系列予測精度を最大49.1%（MSE）向上させました。

結論:

• 提案されたTSAP方法は、将来の異常を予測するという課題に効果的に対処します。
• 実世界のデータと合成データで最先端の方法と比較して優れたパフォーマンスを示しました。
• 既存の異常検出または予測技術では対処されていないタスクに対する方法の能力を強調します。