Actions
  • shareshare
  • link
  • cite
  • add
add
Other research product . 2020

A hybrid deep learning framework for unsupervised anomaly detection in multivariate spatio-temporal data / Uzamsal-zamansal çok boyutlu verilerde denetimsiz anomali tespiti için hibrit derin öğrenme çerçevesi

Karadayı, Yıldız;
Open Access
Turkish
Published: 01 Jan 2020
Publisher: Kadir Has Üniversitesi
Country: Turkey
Abstract

Uzamsal-zamansal veriler için denetlenmeyen anormallik tespiti, yer bilimi, trafik izleme, dolandırıcılık ve hastalık salgını tespiti gibi çok çeşitli uygulamalarda yaygın kullanıma sahiptir. Çoğu gerçek dünya zaman serisi verisi, genellikle ilgilenilen bölgenin koordinatları (enlem - boylam bilgisi gibi) cinsinden ifade edilen ek bir bağlam olarak bir uzamsal boyuta sahiptir. Bununla birlikte, mevcut teknikler, gözlemler arasındaki hem uzamsal hem de zamansal bağımlılığı göz önünde bulundurarak, uzaysal ve zamansal bağlamsal nitelikleri entegre ve anlamlı bir şekilde ele almakla sınırlıdır. Bu makalede, çok değişkenli uzay-zamansal verilerdeki denetimsiz anormallik algılama problemini çözmek için hibrit bir derin öğrenme çerçevesi önerilmiştir. Önerilen çerçeve, etiketlenmemiş verilerle çalışır ve anormallikler hakkında önceden bilgi sahibi olunmaz. Çok değişkenli uzamsal-zamansal verilerden temsili özelliklerin çıkarılmasında, son teknoloji uzamsal-zamansal anormallik algılama yaklaşımlarına kıyasla daha etkilidir. Kapsamlı deneyler, iki farklı bağlamsal veri kümesi kullanılarak gerçekleştirilir. İlk veri seti, Katrina Kasırgasının yer gerçeği olarak kullanıldığı Ulusal Veri Şamandırası Merkezi'nden alınan 2005 şamandıra veri setidir. Bu deneyde, önerilen hibrit çerçeve, karşılaştırmada kullanılan yöntemlere göre daha fazla sağlamlığın yanı sıra doğrulukta% 10'dan fazla iyileştirme sağlar. İkinci veri seti, İtalyan Sivil Koruma Dairesi'nin web sitesi tarafından sağlanan halka açık COVID-19 bölgesel verileridir. Bu deneyde sonuçlar, önerilen çerçevenin son teknoloji derin öğrenme mimarisine kıyasla mekansal-zamansal veriler için anormallik algılama performansında önemli iyileşme sağladığını göstermektedir. Unsupervised anomaly detection for spatio-temporal data has extensive use in a wide variety of applications such as earth science, traffic monitoring, fraud, and disease outbreak detection. Most real-world time series data have a spatial dimension as an additional context which is often expressed in terms of coordinates of the region of interest (such as latitude - longitude information). However, existing techniques are limited to handle spatial and temporal contextual attributes in an integrated and meaningful way considering both spatial and temporal dependency between observations. In this paper, a hybrid deep learning framework is proposed to solve the unsupervised anomaly detection problem in multivariate spatio-temporal data. The proposed framework works with unlabeled data and no prior knowledge about anomalies are assumed. It is more effective in extracting representative features from the multivariate spatio-temporal data compared to the state-of-the-art spatio-temporal anomaly detection approaches. Extensive set of experiments are conducted using two different contextual datasets. The first dataset is the buoy dataset of 2005 from National Data Buoy Center where the Hurricane Katrina is used as ground truth. In this experiment, the proposed hybrid framework achieves more than 10% improvement in accuracy along with increased robustness over the methods used in comparison. The second dataset is the public COVID-19 regional data provided by the website of Italian Department of Civil Protection. In this experiment, results show that proposed framework achieves significant improvement on anomaly detection performance for spatio-temporal data as compared to the state-of-the-art deep learning architecture.

Related Organizations
Related to Research communities
COVID-19
moresidebar