Automatizovaná detekce anomálií v časových řádách pomocí metod umělé inteligence

Abstract

Detekce anomálií v časových řadách hraje hlavní roli při odhalování podvodů, hardwarových závad a dalších méně častých událostí, které mohou mít velký dopad, avšak je obtížné je odhalit. Tato práce si klade za cíl prozkoumat existující metody detekce anomálií. Skládá se z přehledu algoritmů se zvláštním zaměřením na autoenkodéry. Praktická část analýzy je provedena na datasetu, který obsahuje velké množství nabíjecích cyklů elektrických vozidel.

Time-series anomaly detection plays a starring role in detecting fraud, hardware defects, and other infrequent events that may have great impact but are hard to find. This thesis sets the goal to research existing outlier identification methods. It consists of algorithms’ overview, with a special focus on autoencoders. The practical analysis part is performed on a dataset, which contains charging cycles of electric vehicles.