Resumen

Las anomalías en series temporales, también llamadas discordancias, son las subsecuencias anómalas. La ocurrencia de anomalías en series temporales puede indicar que pronto ocurrirán algunas fallas o enfermedades. Por lo tanto, el desarrollo de enfoques computacionales novedosos para la detección de anomalías (búsqueda de discordancias) en series temporales es de gran importancia para la monitorización del estado y la alerta temprana de sistemas en tiempo real. Estudios previos muestran que se desarrollaron con éxito muchos algoritmos que se utilizaron para la clasificación de anomalías, por ejemplo, en el monitoreo de la salud, la detección de tráfico y la detección de intrusiones. Sin embargo, la detección de anomalías en series temporales no fue bien estudiada. En este artículo, proponemos un método de detección de anomalías basado en memoria a largo plazo (LSTM) para la búsqueda de discordancias a partir de datos de series temporales univariadas. LSTMAD aprende las características estructurales de los datos normales (no anómalos)

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Anomalías; Series temporales; Discordancia; Detección; Basado en LSTM; Datos
• Keywords:Anomalies; Time series; Discord; Detection; LSTM-based; Data