이 논문은 시계열 데이터에서의 이상 탐지 문제를 해결하기 위해 제안된 모델인 TFAD에 대해 다룬다. 기존의 방법들이 주로 시간 도메인 모델링에 초점을 맞춘 반면, TFAD는 시간과 주파수 도메인 모두를 활용하여 이상을 탐지한다.
[이상 감지의 3가지 유형]
Global Point Anomaly
•
정의: 글로벌 포인트 이상치는 전체 데이터 컨텍스트에서 관측된 값이 전반적인 데이터 분포와 크게 다를 때 발생한다. 이는 시계열 데이터의 한 지점이나 소수의 지점이 나머지 데이터와 비교하여 극단적으로 높거나 낮은 값을 가질 때 식별된다.
•
예시: 일일 판매량 데이터에서 대부분의 날은 평균적으로 100개의 판매를 기록하는데 비해, 갑자기 어느 날 1000개의 판매를 기록한 경우, 이 데이터 포인트는 글로벌 포인트 이상치로 간주될 수 있다.
Seasonality Anomaly
•
정의: 계절성 이상치는 특정 데이터가 주기적 패턴이나 계절성을 따르는 것으로 예상되지만, 이러한 계절적 패턴에서 벗어날 때 발생한다. 이는 일반적으로 시간의 특정 구간에 기대되는 패턴이나 추세와 맞지 않는 관측값에 해당한다.
•
예시: 매주 월요일에 판매량이 증가하는 패턴을 보이는 소매업에서, 몇몇 월요일은 예외적으로 매우 낮은 판매량을 보이면, 이는 계절성 이상치로 간주될 수 있다.
Shapelet Anomaly
•
정의: 쉐이플릿 이상치는 시계열 데이터의 일부분(서브시퀀스)이 전체 데이터의 나머지 부분과 비교해 유의미하게 다른 패턴을 보일 때 식별된다. 쉐이플릿은 시계열 데이터의 형태(모양)를 나타내는 작은 시퀀스로, 이를 통해 데이터 내 특정 이벤트나 현상을 인식할 수 있다.
•
예시: 심장 박동 데이터에서 정상적인 심장 박동 패턴과는 다르게 짧은 기간 동안 이상한 패턴(예: 비정상적으로 빠른 심장 박동)이 나타나는 경우, 이 서브시퀀스는 쉐이플릿 이상치로 분류될 수 있다.
시계열 분해(Time Series Decomposition):
[input data type]
1.
univariate time series
2.
multivariate time series