machine-learning - 变量随时间变化（趋势）时序的故障检测

Question

我对时间序列的异常检测非常陌生，所以我的问题对你们中的一些人来说是显而易见的。今天，我正在使用 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推移缓慢恶化的异常（我认为它称为趋势），即机器温度在一个月内缓慢增加（lstm 将学习这种趋势和预测的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

使用通常是您想要的时间序列：学习渐变，检测突然变化。否则，时间的作用很小。

您可以尝试学习率非常慢的 SigniTrend 模型（半衰期长或他们所说的任何东西。忽略该论文中的所有令牌、散列和可扩展性，只得到我真正喜欢的 EWMA+EWMVar 部分和在你的时间序列上使用它）。

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“渐进式”更改可能仍然能够触发它们。

或者你完全忽略了时间。将您的数据拆分为训练集（不得包含异常），学习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 * 标准偏差）。由于这种超级幼稚的方法不会学习，因此也不会随波逐流。但是，时间并没有发挥任何进一步的作用。