复杂度下的分割：评估用于工业时间序列异常检测的集成和混合方法

于红博

摘要: 在这项研究中，我们研究了先进特征工程和混合模型架构在多变量工业时间序列异常检测中的有效性，重点关注蒸汽轮机系统。我们评估了变点派生的统计特征、基于聚类的子结构表示和混合学习策略对检测性能的影响。尽管这些复杂方法在理论上具有吸引力，但与在分段数据上训练的简单随机森林+XGBoost集成相比，它们的表现始终不佳。该集成模型实现了AUC-ROC为0.976，F1分数为0.41，并在定义的时间窗口内实现了100%的早期检测。我们的研究结果表明，在高度不平衡和时间不确定的数据场景中，模型简单性结合优化分割可以胜过更复杂的架构，提供更强大的鲁棒性、可解释性和操作效用。

更新时间: 2025-10-30 05:39:44

领域: cs.LG,cs.AI

下载: http://arxiv.org/abs/2510.26159v1