故障检测随时间变化（趋势）的时间序列

Question

我对时间序列的异常检测非常新，所以对于你们中的一些人来说，我的问题显而易见。 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时间变得更慢的异常（我认为它称为趋势），即机器的温度在一个月内缓慢增加（lstm将学习这种趋势并预测增长没有任何特殊错误）。 有这样一种方法来检测这种faluts？

Answer 1

时间序列通常是你想要的：学习渐变，检测突然变化。否则，时间起不到什么作用。

你可以尝试例如SigniTrend模型具有非常慢的学习速度（长半衰期或者他们称之为的任何东西。忽略该论文中的所有标记，散列和可扩展性，只获得我真正喜欢的EWMA + EWMVar部分并在你的时间序列）。

如果您将学习率设置得非常低，那么阈值应该移动得足够慢，以便您可以逐渐降低学习率。改变仍然可以触发它们。

或者你完全忽视时间。将您的数据拆分为训练集（不得包含异常），了解其中的均值和方差以查找阈值。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没有学习，它也不会随波逐流。但是时间不会发挥任何进一步的作用。