시간 변화에 따른 변화 (추세)의 시간 순서에 따른 오류 감지

Question

시간 순서에 대한 이상 탐지에서 새로운 것이므로 내 질문에 대해 분명히 알 수 있습니다. 오늘, 나는 시간 순서에 이상을 감지하기 위해 lstm과 클러스터링 기법을 사용하고있다. 그러나 그 방법은 시간이 지남에 따라 천천히 악화되는 예외를 식별 할 수 없다 (나는 추세라고 불렀다고 생각한다). 즉, 기계의 온도가 천천히 한 달에 증가한다 (lstm은 이 추세를 배우고 특별한 오류없이 증가를 예측하십시오.) 이런 종류의 faluts를 감지하는 방법이 있습니까?

Answer 1

보통 시계열을 사용하여 점진적인 변화를 배우고 갑작스런 변화를 감지합니다. 그렇지 않으면 시간이별로 중요하지 않습니다.

예를 들어 시도해 볼 수 있습니다. 아주 느린 학습률을 가진 SigniTrend 모델 (반감기가 길거나 전화를 걸면됩니다.)이 토큰, 해시 및 확장 성을 무시하고, 내가 좋아하는 EWMA + EWMVar 부분 만 가져 와서 시계열).

학습 속도를 매우 낮게 설정하면 "점진적"변경이 여전히 트리거 할 수 있도록 임계 값이 충분히 느리게 이동해야합니다.

또는 완전히 시간을 무시하십시오. 데이터를 훈련 세트 (예외가 포함되어서는 안됨)로 분할하고 임계 값을 찾기 위해 평균 및 분산을 배웁니다. 그런 다음이 임계 값을 벗어난 지점을 비정상 (즉, 온도> 평균 + 3 * 표준 편차)으로 분류합니다. 이 초 순진 접근 방식은 배우지 못하기 때문에 드리프트를 따르지 않습니다. 그러나 시간은 더 이상 중요한 역할을하지 않습니다.