TRANSFORMAÇÃO RESILIENTE PARA DETECÇÃO DE ANOMALIAS EM SÉRIES TEMPORAIS HETEROSCEDÁSTICAS

Abstract

Heteroskedastic time series exhibit non-constant variance over time, which compromises the effectiveness of classical anomaly detection methods based on fixed thresholds. In particular, this characteristic affects the detection of contextual anomalies, whose detection relies on local dispersion. To address this challenge, this paper proposes a transformation technique called Resilient Transformation (RT), which modifies the original series through empirical mode decomposition, roughness-based high-frequency component selection, differencing, and local dispersion normalization. This transformation equalizes variance and highlights anomalies. Evaluations using the Yahoo! S5 dataset, within the Harbinger framework, show that RT improves the performance of classical methods and can be combined with thresholding to form a standalone detection method called Resilient Transformation Anomaly Detector (RTAD).

Séries temporais heteroscedásticas apresentam variância não constante ao longo do tempo, o que prejudica a eficácia dos métodos clássicos de detecção de anomalias baseados em limiares fixos. Em particular, essa característica afeta a detecção de anomalias contextuais, cuja detecção depende da dispersão local. Para abordar esse desafio, este trabalho propõe uma técnica de transformação denominada Transformação Resiliente (RT), que modifica a série original por meio da decomposição empírica de modos, da seleção de componentes de alta frequência com base na rugosidade, da diferenciação e da normalização pela dispersão local. Essa transformação equaliza a variância e destaca as anomalias. Avaliações utilizando o conjunto de dados Yahoo! S5, com o framework Harbinger, demonstram que a RT melhora o desempenho de métodos clássicos e pode ser combinada com limiarização para formar um método de detecção autônomo, denominado Detector de Anomalias por Transformação Resiliente (DATR).