6/8: 13:00- ## スライド ![[okabelab_meeting_202206.pdf]] ## アウトライン - 進捗サマリ - 5月研究会での報告 - 線形回帰の残差和を基にした異常検知の手法とその実験結果 - 今日の報告 - 最近は研究以外の仕事が増えてきて、あまり進められていない… 1. 線形回帰の残差和を基にした異常検知の妥当性 2. 2つ目の実験用アプリケーションの構築 - フェーズ１の前提 - 時系列の期間は、30分から1時間程度を想定（先行研究と同等） - 時系列長は 120〜240点 - 季節性成分を含まない - 単変量時系列のオフライン異常検知（与えられた時系列が異常を含むかを判定） - 1つの時系列に含まれる異常は1つと仮定。 - 13種類の異常パターンがある。 - 組み合わせ - 振動 - 線形トレンド推定の残差和に基づく異常検知 - 正常 と 異常部分を分離し、正常部分に仮定できるモデルがあるか？ - 理論的妥当性の説明 - 仮定③より、1つのモデルでモデル化することが難しい - 仮定①より、１ヶ月あるいは１年の時系列の非線形の変動のうち、直近の短期間の性質をみるために、正常な系列に対しては、線形近似可能と仮定 - 線形トレンド定常性モデル $y_t = at + b + \epsilon_t$ からの逸脱度合い - 「点異常」の検知だと振動に弱くなる - 「範囲異常」の検知をしたい - 連続した「点異常」を検出したい。ただし、顕著な「点異常」は検出したい。 - トレンド定常性モデルを用いながら、「範囲異常」を検知するには、推定線と実測線の交点が成す区画の残差和を異常度とする - 「範囲異常」検知の古典では、スライディングウィンドウを設けるため、ウィンドウサイズのパラメータが必要 - 制約 - 一般の時系列異常検知における、振動パターンの変化はとらえられない - 異常区間内に振動があり、かつ振幅が大きいケースでは、残差和が小さくなる - データを増やす - [[TrainTicket構築]] - まとめ - ## TO-DO - [x] TrainTicketの構成図を書く