Dissertação

Unsupervised Anomaly Detection in Time Series Data using Deep Learning EVALUATED

Detetar anomalias em séries temporais é um problema importante em áreas como energia, saúde e segurança. O progresso feito em deteção de anomalias tem sido baseado em abordagens que usam algoritmos supervisionados de aprendizagem automática que requerem grandes conjuntos de dados anotados para ser treinados. No entanto, no contexto das aplicações, colecionar e anotar conjuntos de dados em grande escala é um processo difícil, demorado ou até demasiado caro, ao mesmo tempo que requer conhecimento do assunto por especialistas da área de aplicação. Por isso, a deteção de anomalias tem sido um grande desafio para investigadores e profissionais. Esta Tese propõe uma abordagem genérica, não supervisionada e escalável para deteção de anomalias em séries temporais. A abordagem proposta é baseada num auto-codificador variacional, um modelo generativo profundo que combina inferência variacional com aprendizagem profunda. Por outro lado, a arquitetura integra redes neuronais recorrentes para capturar a natureza sequencial das séries temporais e as suas dependências temporais. Além disso, é introduzido um mecanismo de atenção para melhorar o desempenho do processo de codificação-descodificação. Os resultados em dados de geração solar fotovoltaica e de electrocardiogramas mostram a capacidade do modelo proposto para detetar padrões anómalos em séries temporais de diferentes áreas de aplicação, ao mesmo tempo fornecendo representações estruturadas e expressivas dos dados.
Deteção de Anomalias, Séries Temporais, Auto-Codificadores Variacionais, Redes Neuronais Recorrentes, Mecanismos de Atenção

Novembro 23, 2018, 11:30

Documentos da dissertação ainda não disponíveis publicamente

Orientação

ORIENTADOR

Francisco Miguel Pereira Gonçalves

C-Side

Engenheiro

ORIENTADOR

Maria Margarida Campos da Silveira

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar