Quartile-Based Seasonality Decomposition for Time Series Forecasting and Anomaly Detection

要約

異常のタイムリーな検出は、不規則なパターン、異常な動作、ネットワーク異常の特定と特徴付けを容易にし、サービス品質と運用効率の向上に貢献するため、通信分野では不可欠です。
予測可能な時系列パターンを正確に予測し、排除することは、時系列異常検出の重要な要素を構成します。
最先端の手法は予測精度を最大化することを目的としていますが、計算パフォーマンスが低下します。
セルの主要業績評価指標 (KPI) など、多数の時系列変数で構成されるシステムでは、使用される予測の時間と空間の複雑さが非常に重要です。
Quartile-Based Seasonality Decomposition (QBSD) は、計算の複雑さと予測精度の間で最適なトレードオフを実現するために、このホワイトペーパーで提案されているライブ予測方法です。
このペーパーでは、QBSD のパフォーマンスを最先端の予測手法と比較し、実際の異常検出への適用可能性を比較します。
提案されたソリューションの有効性を実証するために、公開されているデータセットと通信 KPI データセットを使用して実験評価が実施されました。

要約(オリジナル)

The timely detection of anomalies is essential in the telecom domain as it facilitates the identification and characterization of irregular patterns, abnormal behaviors, and network anomalies, contributing to enhanced service quality and operational efficiency. Precisely forecasting and eliminating predictable time series patterns constitutes a vital component of time series anomaly detection. While the state-of-the-art methods aim to maximize forecasting accuracy, the computational performance takes a hit. In a system composed of a large number of time series variables, e.g., cell Key Performance Indicators (KPIs), the time and space complexity of the forecasting employed is of crucial importance. Quartile-Based Seasonality Decomposition (QBSD) is a live forecasting method proposed in this paper to make an optimal trade-off between computational complexity and forecasting accuracy. This paper compares the performance of QBSD to the state-of-the-art forecasting methods and their applicability to practical anomaly detection. To demonstrate the efficacy of the proposed solution, experimental evaluation was conducted using publicly available datasets as well as a telecom KPI dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google