machine-learning - 变量随时间变化(趋势)的时间顺序故障检测

Question

我对时间序列异常检测非常陌生，所以我的问题对你们中的一些人来说可能是显而易见的。今天，我使用 lstm 和聚类技术来检测时间序列上的异常，但这些方法无法识别随着时间的推移慢慢恶化的异常(我认为这称为趋势)，即机器的温度在一个月内缓慢增加(lstm 将学习这种趋势并预测增加没有任何特殊错误)。有这样的方法来检测这种故障吗？

Answer 1

时间序列通常就是您想要的:学习渐变，检测突然变化。否则，时间就不起什么作用。

您可以尝试例如学习率非常慢的 SigniTrend 模型(半衰期很长或者无论他们如何调用它)。忽略该论文中的所有 token 、散列和可扩展性，只获取我真正喜欢的 EWMA+EWMVar 部分并将其用于您的时间序列)。

如果您将学习率设置得非常低，则阈值应该移动得足够慢，以便您的“渐进”更改仍然能够触发它们。

或者你完全忽略了时间。将数据拆分为训练集(不得包含异常)，学习其平均值和方差以找到阈值。然后将这些阈值之外的任何点分类为异常(即温度 > 平均值 + 3 * 标准差)。由于这种 super 幼稚的方法不会学习，因此它也不会随波逐流。但时间就不再发挥任何作用了。