如何為物聯(lián)網(wǎng)的時間序列異常檢測建模

異常檢測涵蓋了大量數(shù)據(jù)分析用例。然而，這里的異常檢測特指檢測意外事件，無論是心臟事件，機械故障，黑客攻擊還是欺詐性交易。

事件的意外特征意味著數(shù)據(jù)集中沒有這樣的示例。分類解決方案通常需要所有相關類的一組示例。那么，在沒有可用示例的情況下，我們該如何處理?它需要稍微改變一下。

在這種情況下，我們只能訓練非故障數(shù)據(jù)的機器學習模型; 也就是說，描述系統(tǒng)在正常條件下運行的數(shù)據(jù)。輸入數(shù)據(jù)是異常還是僅僅是常規(guī)操作的評估只能在預測完成后在部署中執(zhí)行。這個想法是在正常數(shù)據(jù)上訓練的模型只能預測下一個正常的樣本數(shù)據(jù)。但是，如果系統(tǒng)不再在正常情況下工作，輸入數(shù)據(jù)將不會描述正確工作的系統(tǒng)，并且模型預測將偏離現(xiàn)實。然后，現(xiàn)實樣本和預測樣本之間的誤差可以告訴我們基礎系統(tǒng)的條件。

在IoT(物聯(lián)網(wǎng))數(shù)據(jù)中，信號時間序列由策略性地位于機械設備或組件上或周圍的傳感器產(chǎn)生。時間序列是變量隨時間變化的值序列。在這種情況下，變量描述了設備的機械特性，并且通過一個或多個傳感器測量。通常，機械設備正常工作。因此，我們在正常條件下工作的設備有大量樣本，接近零設備故障示例。特別是如果設備在機械鏈中起著關鍵作用，它通常會在任何故障發(fā)生之前退役并損害整個機器。

因此，我們只能在描述系統(tǒng)按預期工作的多個時間序列上訓練機器學習模型。當系統(tǒng)正常工作時，該模型將能夠預測時間序列中的下一個樣本，因為這是它的訓練方式。然后我們計算預測樣本和實際樣本之間的距離，然后從中得出關于一切是否按預期工作或是否有任何理由需要關注的結論。