UM NOVO MÉTODO HÍBRIDO DE DETECÇÃO DE ANOMALIAS BASEADO EM EMD E ARIMA

Abstract

Anomalies are defined as behavioral deviations from expected patterns, and identifying them is a significant challenge. Anomaly detection is a fundamental activity in time series analysis. It enables data-driven decision-making in many control and monitoring activities, such as healthcare, water quality, seismic reflection analysis, and oil exploration. There are many anomaly detection methods, but choosing the appropriate methods is complex due to the intrinsic nature of time series. There is a demand for robust anomaly detection methods that minimize false positives and are adaptable to non-stationary scenarios. This work introduces the Refined Empirical Mode Decomposition (REMD) as a hybrid approach to meet this need, integrating Empirical Mode Decomposition (EMD) and Autoregressive Integrated Moving Average (ARIMA) models. The design of REMD aims to optimize the strengths of both methods and overcome their limitations. It is evaluated against state-of-the-art methods across various datasets. REMD demonstrates superior performance, achieving up to three times better F1 scores.

Anomalias são definidas como desvios comportamentais em relação a padrões esperados e conseguir as identificar é um desafio importante. A detecção de anomalias é uma atividade fundamental na análise de séries temporais. Ela permite a tomada de decisões baseada em dados em muitas atividades de controle e monitoramento, como cuidados de saúde, qualidade da água, análise de reflexão sísmica e exploração de petróleo. Existem muitos métodos de detecção de anomalias, mas escolher os métodos apropriados é complexo devido à natureza intrínseca das séries temporais. Há uma demanda por métodos de detecção de anomalias que sejam robustos, minimizem falsos positivos e adaptáveis a cenários não estacionários. Este trabalho introduz a Decomposição de Modo Empírico Refinada (REMD, do inglês Refined Empirical Mode Decomposition) como uma abordagem híbrida para atender a essa necessidade, integrando os modelos de Decomposição de Modo Empírico (EMD, do inglês Empirical Mode Decomposition) e Autoregressão Integrada de Médias Móveis (ARIMA, do inglês Autoregressive Integrated Moving Average). A concepção do REMD visa otimizar os pontos fortes de ambos os métodos e superar suas limitações. Ele é avaliado em comparação com métodos de ponta em diversos conjuntos de dados. O REMD demonstra desempenho superior, com pontuação até três vezes melhor no F1.