图形TS:用于后续异常检测的图形表示的时间序列

科学领域:

• 数据科学数据科学数据科学
• 机器学习 机器学习
• 时间序列分析时间序列分析

背景情况:

• 在时间序列中检测后续异常在许多领域都至关重要.
• 现有的方法通常需要知道异常的长度和数量,并与反复出现的异常作斗争.
• 由于依赖本地信息,目前的方法可能无法捕捉反复出现的后续异常.

研究的目的:

• 为后续异常发现提出一种新的图形表示时间序列 (GraphTS) 方法.
• 解决现有方法的局限性,包括需要先前了解异常特征.
• 为了有效地捕捉任意长度的反复和罕见后续异常.

主要方法:

• 引入了一个新的时间序列图表表示模型 (GraphTS).
• 开发了一种2D时间序列可视化 (2Dviz) 方法,将1D模式映射到2D时空空间中.
• 从二维表示构建了一个图形,以识别反复和罕见的后续异常.

主要成果:

• 该 GraphTS 方法成功地代表了反复和罕见的时间序列模式.
• 2Dviz技术增强了对后续异常的识别能力.
• 实验结果表明,GraphTS在准确性和效率方面超过了最先进的方法.

结论:

• 拟议的GraphTS方法提供了一种有效的方法,用于发现单一和反复的后续异常.
• GraphTS克服了现有方法的局限性,因为它不需要事先了解异常长度或数量.
• 与当前最先进的技术相比,该方法显示出更高的性能.