Diskussion zum Artikel "Neuronale Netze im Handel: Stückweise, lineare Darstellung von Zeitreihen"

[MetaQuotes]

Neuer Artikel Neuronale Netze im Handel: Stückweise, lineare Darstellung von Zeitreihen :

Dieser Artikel unterscheidet sich etwas von meinen früheren Veröffentlichungen. In diesem Artikel werden wir über eine alternative Darstellung von Zeitreihen sprechen. Die stückweise, lineare Darstellung von Zeitreihen ist eine Methode zur Annäherung einer Zeitreihe durch lineare Funktionen über kleine Intervalle.

Die Erkennung von Zeitreihenanomalien ist ein wichtiger Teilbereich des Time Series Data Mining. Ihr Zweck ist es, unerwartetes Verhalten im gesamten Datensatz zu erkennen. Da Anomalien oft durch unterschiedliche Mechanismen verursacht werden, gibt es keine spezifischen Kriterien für ihre Erkennung. In der Praxis erregen Daten, die das erwartete Verhalten zeigen, mehr Aufmerksamkeit, während anormale Daten oft als Rauschen wahrgenommen werden, das in der Regel ignoriert oder eliminiert wird. Anomalien können jedoch nützliche Informationen enthalten, sodass die Erkennung solcher Anomalien wichtig sein kann. Die genaue Erkennung von Anomalien kann dazu beitragen, unnötige nachteilige Auswirkungen in verschiedenen Bereichen wie Umwelt, Industrie, Finanzen und anderen zu mindern.

Anomalien in Zeitreihen lassen sich in die folgenden drei Kategorien einteilen:

1. Punktanomalien: Ein Datenpunkt wird als anomal im Verhältnis zu anderen Datenpunkten betrachtet. Diese Anomalien werden häufig durch Messfehler, Sensorausfälle, Dateneingabefehler oder andere außergewöhnliche Ereignisse verursacht;
2. Kontextabhängige Anomalien: Ein Datenpunkt wird in einem bestimmten Kontext als anomal betrachtet, in einem anderen jedoch nicht;
3. Kollektive Anomalien: eine Teilsequenz einer Zeitreihe, die ein anomales Verhalten aufweist. Dies ist eine recht schwierige Aufgabe, da solche Anomalien bei einer Einzelanalyse nicht als anomal angesehen werden können. Stattdessen ist es das kollektive Verhalten der Gruppe, das anomal ist.

Kollektive Anomalien können wertvolle Informationen über das zu analysierende System oder den Prozess liefern, da sie auf ein Problem auf Gruppenebene hinweisen können, das behoben werden muss. Die Erkennung kollektiver Anomalien kann daher in vielen Bereichen wie Cybersicherheit, Finanzen und Gesundheitswesen eine wichtige Aufgabe sein. Die Autoren der BPLR-Methode konzentrierten sich in ihrer Arbeit auf die Identifizierung kollektiver Anomalien.

Autor: Dmitriy Gizlyk