Машинное обучение в моделировании временных рядов

Обнаружение аномалий во временных рядах является важной задачей с применением в таких областях, как финансы, промышленность и IT-мониторинг. В данной работе проведен анализ существующих моделей машинного обучения для выявления аномалий, используя пять бенчмарков и синтетические сгенерированные данные. Рассмотрены модели, такие как изоляционный лес, локальный фактор выброса (LOF), одно-классовый метод опорных векторов (OCSVM), методы кластеризаци и LSTM автоэнкодеры. Также предложены новые гибридные модели, сочетающая OCSVM с архитектурами LSTM, трансформеров и временных сверточных сетей, а также изоляционный лес с временными сверточными сетями. Данная работа направлена на улучшение качества обнаружения аномалий благодаря сочетанию преимуществ нелинейных преобразований и моделей классификации аномалий. Результаты показывают, что полученные гибридные модели эффективны для определенных задач и имеют потенциал для дальнейших исследований.