Wat zijn de kenmerken van anomaly detection in tijdreeksen (STL-residuen, ESD)?

Anomaliedetectie in tijdreeksen maakt vaak gebruik van methoden die rekening houden met seizoensinvloeden en trends om anomalieën in de residuals te identificeren.

STL-residuals (Seizoens-trend decompositie met Loess):

• STL splitst de tijdreeks in drie componenten: seizoensinvloeden, trend en residuals.
• Anomalieën worden gezocht in de residuals, omdat deze afwijkingen van het verwachte gedrag weergeven na het rekening houden met trend en seizoensinvloeden.
• Dit maakt het mogelijk om anomalieën nauwkeuriger te identificeren, zonder ze te verwarren met seizoensschommelingen.

ESD (Extreme Studentized Deviate):

• Statistische test om meerdere uitschieters in de data te detecteren.
• Werkt door sequentieel de meest extreme waarden te verwijderen en hun significantie te controleren.
• Wordt vaak toegepast op residuals na decompositie (bijvoorbeeld na STL) om statistisch significante anomalieën te identificeren.

Samen stellen deze methoden je in staat om eerst de tijdreeks te reinigen van seizoens- en trendinvloeden (STL), en vervolgens anomalieën te detecteren in de schoongemaakte data met behulp van een statistische test (ESD).