Neues Clustering-Verfahren erkennt Anomalien in multivariaten Zeitreihen

Ein neues Verfahren zur Anomalieerkennung in multivariaten Zeitreihen wurde vorgestellt. Dabei werden mithilfe eines gleitenden Fensters multivariate Teilsequenzen erzeugt, die anschließend mit einer erweiterten Fuzzy‑Clustering‑Methode analysiert werden. Durch einen Rekonstruktionskriterium werden die Teilsequenzen mit optimalen Clusterzentren und einer Partitionsmatrix wiederhergestellt, wodurch ein Vertrauensindex zur Quantifizierung von Anomalien entsteht.

Zur Optimierung des Erkennungsprozesses kommt Particle Swarm Optimization zum Einsatz. In umfangreichen Tests, die synthetische Daten sowie sechs reale Datensätze umfassen, konnte das Verfahren zuverlässig Anomalien in Amplitude und Form erkennen. Die Ergebnisse deuten darauf hin, dass die Methode in Bereichen wie Gesundheitswesen, Wetteranalyse, Finanzen und Krankheitsüberwachung vielseitig einsetzbar ist.