Warped Time Series Anomaly Detection

本文探讨了检测时间序列异常值的问题，重点关注具有重复行为的系统，例如在生产线上操作的工业机器人。由于同一任务的执行可能在每次重复中显示不同的持续时间，并且由于数据间隙，传感器报告的时间序列是不规则采样的，因此会出现一些显著的挑战。本文提出的异常检测方法包括三个阶段。第一阶段识别长时间序列中的重复周期，并将其分割成对应于一个任务周期的单个时间序列，同时考虑可能的时间扭曲。第二阶段使用基于GPU的重心算法计算周期的原型，该算法专门针对非常大的时间序列。第三阶段使用原型来检测异常周期，为每个周期计算异常分数。该方法名为WarpEd时间序列异常检测（WETSAND），利用动态时间规整算法及其变体，因为它们适用于时间序列的扭曲性质。实验表明，WETSAND适用于大型信号，计算出易于理解的原型，使用非常少的数据，并且优于一些通用的异常检测方法，例如自编码器。

解决问题：本文旨在解决检测时间序列异常值的问题，重点关注在具有重复行为的系统中，例如在生产线上运行的工业机器人。这是一个新问题。

关键思路：本文提出了一种名为WarpEd Time Series ANomaly Detection（WETSAND）的方法，包括三个阶段：识别重复周期、计算原型和检测异常周期。该方法利用动态时间扭曲算法及其变体，适用于处理时间序列的扭曲性质。与自编码器等通用异常检测方法相比，WETSAND能够处理大型信号，计算出易于理解的原型，并且使用非常少的数据。

其他亮点：本文的实验表明，WETSAND能够扩展到大型信号，计算出易于理解的原型，使用非常少的数据，并且优于一些通用的异常检测方法。本文还使用了GPU加速的质心算法，设计了针对WETSAND的实验，并提供了开源代码。

相关研究：最近的相关研究包括“Robust Anomaly Detection in Streams with Extreme Value Theory”和“Unsupervised Anomaly Detection via Variational Auto-Encoder for Seasonal KPIs in Web Applications”。