Key points are not available for this paper at this time.
Die Anomalieerkennung in multivariaten Zeitreihen ist eine wichtige Data-Mining-Aufgabe mit Anwendungen in der Ökosystemmodellierung, der Überwachung von Netzwerkverkehr, der medizinischen Diagnostik und anderen Bereichen. In diesem Papier wird ein robuster Algorithmus zur Erkennung von Anomalien in verrauschten multivariaten Zeitreihendaten vorgestellt, der eine Kernel-Matrix-Ausrichtungsmethode verwendet, um die Abhängigkeitsbeziehungen zwischen Variablen in der Zeitreihe zu erfassen. Anomalien werden durch die Durchführung eines Random-Walks auf dem Graphen gefunden, der durch die ausgerichtete Kernel-Matrix induziert wird. Wir zeigen, dass der Algorithmus flexibel genug ist, um verschiedene Arten von Zeitreihenanomalien, einschließlich sekundenbasierter und lokaler Anomalien, zu handhaben. Unser Rahmenwerk kann auch verwendet werden, um die in einer Zielzeitreihe gefundenen Anomalien in Bezug auf die in anderen Zeitreihen vorhandenen Anomalien zu charakterisieren. Wir haben umfangreiche Experimente durchgeführt, um die Effektivität unseres Algorithmus empirisch zu demonstrieren. Eine Fallstudie wird ebenfalls präsentiert, um die Fähigkeit des Algorithmus zu veranschaulichen, Ökosystemstörungen in Daten der Erdwissenschaften zu erkennen.
Cheng et al. (Thu,) haben diese Frage untersucht.