Warped Time Series Anomaly Detection

要約

この論文では、生産ラインで動作する産業用ロボットなど、反復的な動作を行うシステムに焦点を当てて、時系列の外れ値を検出する問題について取り上げます。 顕著な課題は、複数回実行されるタスクが反復ごとに異なる継続時間を示す可能性があるという事実と、その時間が異なるという事実から生じます。
センサーによって報告される一連のデータは、データのギャップにより不規則にサンプリングされます。
このペーパーで説明する異常検出アプローチは 3 つのステージで構成されます。最初のステージでは、長い時系列の繰り返しサイクルを特定し、それらを 1 つのタスク サイクルに対応する個々の時系列にセグメント化します。同時に、起こり得る時間的な歪みを考慮します。2 番目のステージでは、
GPU ベースの重心アルゴリズムを使用したサイクルのプロトタイプ。非常に大規模な時系列向けに特別に調整されています。第 3 段階では、プロトタイプを使用して、各サイクルの異常スコアを計算することで異常サイクルを検出します。全体的なアプローチは、WarpEd Time Series ANomaly Detection (
WETSAND) は、時系列の歪んだ性質に適しているため、ダイナミック タイム ワーピング アルゴリズムとそのバリアントを利用します。実験では、\wetsand が大きな信号に対応し、人間に優しいプロトタイプを計算し、非常に少ないデータで動作することが示されています。
オートエンコーダーなどの一部の汎用異常検出アプローチよりも優れたパフォーマンスを発揮します。

要約(オリジナル)

This paper addresses the problem of detecting time series outliers, focusing on systems with repetitive behavior, such as industrial robots operating on production lines.Notable challenges arise from the fact that a task performed multiple times may exhibit different duration in each repetition and that the time series reported by the sensors are irregularly sampled because of data gaps. The anomaly detection approach presented in this paper consists of three stages.The first stage identifies the repetitive cycles in the lengthy time series and segments them into individual time series corresponding to one task cycle, while accounting for possible temporal distortions.The second stage computes a prototype for the cycles using a GPU-based barycenter algorithm, specifically tailored for very large time series.The third stage uses the prototype to detect abnormal cycles by computing an anomaly score for each cycle.The overall approach, named WarpEd Time Series ANomaly Detection (WETSAND), makes use of the Dynamic Time Warping algorithm and its variants because they are suited to the distorted nature of the time series.The experiments show that \wetsand scales to large signals, computes human-friendly prototypes, works with very little data, and outperforms some general purpose anomaly detection approaches such as autoencoders.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google