Reāllaika laikrindu analīze prognozēšanai un anomāliju detektēšanai

Abstract

Šajā darbā tiek aprakstīts laikrindu anomāliju noteikšanas modeļa izstrādes process un tā realizācija. Darbs tiek balstīts uz temperatūras mērījumu sensoru datiem. Anomāliju noteikšanas modeļa izstrādes ietvaros tiek apskatītas sekojošas tēmas - simulāciju veidošanda, laikrindu analīze, laikrindu priekšapstrāde, laikrindu klasterēšana, laikrindu prognozējošo modeļu izveide, anomāliju noteikšana un modeļu ansambļa izveide. Darba mērķis ir apskatīt dažāda tipa modeļus, metodes un to apvienojumus, lai izveidotu robustu anomāliju noteikšanas modeļu ansambli. Darba rezultātā tika izveidots laikrindu anomāliju noteikšanas modeļu ansamblis, kura pamatā ir četri modeļi - LightGBM, LSTM, Holt-Winters un laikrindu apakšperiodu klasterēšana. Modelēšana un analīze tika veikta programmēšanas valodā Python un darba pielikums satur JupyterLab darba grāmatas.

This thesis describes time series anomaly detection process and servs as a guild for time series anomaly detection model creation. Analysis and models created in this thesis are created for temperature measurement time series data. In this thesis anomaly detection development process covers following topics - time series simulations, time series analysis, time series preprocessing, time series clustering, time series forecasting, anomaly detection and ensemble model creation. The main goal of this thesis was to reseach and compare different time series models, methods and different model and method combinations to create ensemble model for robust real-time anomaly detection. This thesis resulted in creation of anomaly detection ensemble model that contains following four models - LightGBM, LSTM, Holt-Wintersa and time series subperiod clustering. Modeling and analysis was done in Python programming language and all JupyterLab notebooks are available in attachment.