ONLINE EVENT DETECTION OVER NONSTATIONARY TIME SERIES

Abstract

Monitored processes of almost every field produce time series. Given the increasing volume of generated data and bandwidth observed in the last decades, most of these time series evolve in an online, real-time, or streaming scenario. However, most currently available methods and state-of-the-art machine-learning techniques are not adapted to the dynamic nature of these time series. It is often possible to observe a significant change in data behavior at a certain point or time interval that characterizes the occurrence of a change point event. In that case, time series analysis must include identifying and detecting such events. Change point detection is related to other prominent areas of monitoring of concept drifts and time series structural breaks, being crucial for practical applications affecting day-to-day life, such as medical condition monitoring, climate change detection, and human activity analysis. Consequently, it has been the subject of intensive research, especially in statistics, econometrics, and data mining. Online or real-time change point detection algorithms run concurrently with the monitoring process, processing each data point as it becomes available. Online change point detection is a fundamentally different and challenging problem that increases demand for advanced machine-learning techniques for concept drifts in large time series. Generally, regressionbased solutions demand comparing fixed parametric models and enough observations in incoming data. In contrast, solutions based on deviations from time series prediction can be affected by nonstationary properties and gradually changing concepts, which may increase detection lags. This research addresses the challenges posed by prediction-based approaches, exploring the hypothesis that online change point detection over the lagged prediction of the inertial component of a time series contributes to smaller detection lags and robustness to nonstationarity compared to current approaches. To confirm it, this research proposes the Herald, a novel online change point detection method based on the lagged prediction of a time series intrinsic inertia. Experimental results indicate that Herald can detect change points with smaller detection lags and higher sensitivity than baseline methods for change point detection. Effects are especially relevant in nonstationary time series with high volatility.Os processos monitorados em quase todas as áreas produzem séries temporais. Dado o aumento no volume de dados gerados e na largura de banda observado nas últimas décadas, a maioria dessas séries temporais evolui em um cenário online, em tempo real ou de streaming. No entanto, a maioria dos métodos do estado-da-arte disponíveis, baseados em aprendizado de máquina, não estão adaptados à natureza dinâmica dessas séries temporais. Muitas vezes, é possível observar uma mudança significativa no comportamento dos dados em um determinado ponto ou intervalo de tempo que caracteriza a ocorrência de um evento de ponto de mudança. Nesse caso, a análise de séries temporais deve incluir a identificação e detecção de tais eventos. A detecção de pontos de mudança está relacionada a outras áreas proeminentes de monitoramento, como detecção de mudanças de conceito e rupturas estruturais em séries temporais, sendo crucial para aplicações práticas que afetam o dia a dia, como o monitoramento de condições médicas, detecção de mudanças climáticas e análise de atividades humanas. Como resultado, tem sido objeto de intensa pesquisa, especialmente nas áreas de estatística, econometria e mineração de dados. Algoritmos de detecção de pontos de mudança online ou em tempo real são executados em conjunto com o processo de monitoramento, processando cada ponto de dados à medida que se torna disponível. A detecção de pontos de mudança online é um problema fundamentalmente diferente e desafiador que aumenta a demanda por técnicas avançadas de aprendizado de máquina para mudanças de conceito em séries temporais com grandes fluxos de dados. Geralmente, as soluções baseadas em regressão exigem a comparação de modelos paramétricos fixos e observações suficientes nos dados de entrada. Em contraste, as soluções baseadas em desvios da previsão de séries temporais podem ser afetadas por propriedades não-estacionárias e conceitos que mudam gradualmente, o que pode aumentar os atrasos na detecção. Esta pesquisa aborda os desafios apresentados pelas abordagens baseadas em previsão, explorando a hipótese de que a detecção de pontos de mudança online sobre a previsão defasada da componente inercial de uma série temporal contribui para menores atrasos na detecção e robustez à não-estacionariedade em comparação com abordagens atuais. Para confirmar isso, esta pesquisa propõe o Herald, um novo método de detecção de pontos de mudança online baseado na previsão defasada da inércia intrínseca de uma série temporal. Os resultados experimentais indicam que o Herald pode detectar pontos de mudança com menores atrasos na detecção e maior sensibilidade do que os métodos de referência para detecção de pontos de mudança. Os efeitos são especialmente relevantes em séries temporais não-estacionárias com alta volatilidade.