e5db684881de5df3

Проблема
В период отопительного сезона важно контролировать температуру помещений. Диапазон допустимых показателей температуры определено в соответствии с требованиями охраны труда. В связи со спецификой каждого отдельного помещения и влияния внешних условий, в случайный период времени, температура воздуха может выходить за допустимые пределы. С помощью собранных данных с датчиков температуры в виде временных рядов, можно выявить возникновение аномалий.
Цель проекта - разработать модель нейронной сети для выявления аномалий во временных рядах температур помещений.

Поиск аномалий во временных рядах зарегистрированных поездок на такси в Нью-Йорке
График загруженности такси
Выявление явных аномалий

Типы аномалий
Точечные аномалии - это единичные значения, которые попадают в области значений с низкой плотностью.
Контекстуальные аномалии - это значения, которые не попадают в регионы с низкой плотностью, но являются аномальными по отношению к локальным значениям.
Точечные аномалии
Контекстуальные аномалии

Использование генеративных состязательных сетей - GAN. Результаты.
Реконструированный сигнал с использованием GAN, наложенный поверх исходного сигнала

Предложенное решение
Ненормализованный график температуры за первую неделю 2021 года
Входные данные могут быть описаны как многомерные временные ряды X = x(1), x(2), ..., x(n), где x(t) принадлежит одномерному пространству Rm, n−число точек времени.
Поиск аномалий временного ряда аудитории. reconstruction-based методы
Поиск аномальных аудиторий. Для обнаружения аномальных аудиторий будут использоваться метрические алгоритмы.

Предполагаемые инструменты и технологии. TadGAN
Схема работы кодировщика
Архитектура метода TadGAN
Одним из недавно разработанных reconstruction-based методов, показывающих хорошие результаты в обнаружении аномалий, является TadGAN, разработанный исследователями из MIT в конце 2020 года. Архитектура метода TadGAN содержит в себе элементы автокодировщика и генеративных состязательных сетей.

Предполагаемые инструменты и технологии. TadGAN
Для создания и обучения нейронной сети могут быть использованы различные стандартные пакеты (например, TensorFlow или PyTorch), имеющие высокоуровневое API. При обучении модели оптимизировались следующие пять метрик:
aeLoss
cxLoss
cx_g_Loss
czLoss
cz_g_Loss
График обучения модели TadGAN для 500 эпох

k-NN: расстояние от временного ряда до его k-го ближайшего соседа в наборе данных временных рядов - это показатель аномалии.
Несогласованность фаз и нелинейные выравнивания различных временных рядов, которые являются некоторыми общими проблемами для данных временных рядов, ограничивают использование различных мер приближения для этих классов методов.
Предполагаемые инструменты и технологии. Метрические методы
Отличие DTW-евклидовой метрики от евклидовой