Unsupervised Time Series Outlier Detection
Author
Chaves Campos, David Gonzalo
Term
4. term
Education
Publication year
2021
Submitted on
2021-06-04
Abstract
Digitalisering har ført til udbredt brug af sensorbaserede enheder på tværs af mange områder. De genererer store mængder tidsseriedata (målinger registreret over tid), som gør det muligt at overvåge processer løbende og handle, når der opstår usædvanlige tilstande. At finde sådanne anomalier eller afvigelser automatisk er dog vanskeligt, fordi datamængderne er store, og der sjældent findes mærkede data. Dette speciale undersøger og anvender robuste, moderne usuperviserede metoder (uden mærkede eksempler) til at håndtere tidsseriedata i stor skala. Med passende beregningsinfrastruktur gennemføres omfattende eksperimenter på virkelige datasæt fra flere anvendelsesområder for at vurdere, hvor godt metoderne opdager unormal adfærd og kan understøtte rettidig beslutningstagning.
Ongoing digitalization has put many sensor-based devices into use across different fields. These devices produce large amounts of time-series data (measurements recorded over time) that enable continuous monitoring and action when unusual conditions arise. Automatically finding such anomalies or outliers is challenging because the data are vast and usually lack labels. This thesis studies and applies robust, state-of-the-art unsupervised methods to handle time-series data at scale. Using suitable computing infrastructure, it conducts extensive experiments on real-world datasets from multiple domains to assess how well these methods detect abnormal behavior and support timely decisions.
[This summary has been rewritten with the help of AI based on the project's original abstract]
Keywords
Documents