Mehrdimensionale Zeitreihen‑Anomalieerkennung mit Hidden Markov Modellen

In einer aktuellen Studie wird ein innovativer Ansatz zur Erkennung von Anomalien in multivariaten Zeitreihen vorgestellt. Der Kern des Verfahrens besteht darin, die komplexen, mehrdimensionalen Daten in eine einzige univariate Zeitreihe zu transformieren, um die Analyse zu vereinfachen.

Zur Transformation kommen moderne Techniken wie Fuzzy C‑Means‑Clustering und fuzzy Integral zum Einsatz. Diese Methoden ermöglichen es, die wesentlichen Merkmale der Daten zu extrahieren und gleichzeitig die Unsicherheit in den Messungen zu berücksichtigen.

Anschließend wird ein Hidden Markov Model (HMM) eingesetzt, das sich durch seine Fähigkeit auszeichnet, zeitliche Abhängigkeiten und Zustandsübergänge zu modellieren. Das HMM dient als Basis für die Anomalieerkennung und kann Muster erkennen, die auf ungewöhnliche Ereignisse hinweisen.

Die Autoren haben mehrere Transformationstechniken miteinander verglichen und eine Reihe von Experimenten durchgeführt, um die Wirksamkeit des Ansatzes zu demonstrieren. Die Ergebnisse zeigen, dass die Kombination aus Fuzzy‑Clustering, fuzzy Integral und HMM eine robuste und präzise Erkennung von Anomalien in multivariaten Zeitreihen ermöglicht.