nach oben

Erschienen in:

2021 | OriginalPaper | Buchkapitel

Deep Learning Rule for Efficient Changepoint Detection in the Presence of Non-Linear Trends

verfasst von : Salma Mahmoud, Jorge Martinez-Gil, Patrick Praher, Bernhard Freudenthaler, Alexander Girkinger

Erschienen in: Database and Expert Systems Applications - DEXA 2021 Workshops

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

This study presents our ongoing research on designing new methods for changepoint detection in industrial environments using a CUSUM method variant. The changepoint detection refers to identifying the location of change of some aspect in a given time series. The significant difference concerning a state-of-the-art time series prediction technique (using an LSTM) is that our method can handle anomalies masked by non-trivial trends. We have evaluated our proposal with a systematic series of test data and an example set with wear-induced anomalies.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Approximate Fault Tolerance for Edge Stream Processing

Nächstes Kapitel Time Series Pattern Discovery by Deep Learning and Graph Mining

Aminikhanghahi, S., Cook, D.J.: A survey of methods for time series change point detection. Knowl. Inf. Syst. 51(2), 339–367 (2016). https://doi.org/10.1007/s10115-016-0987-zCrossRef

Athanasopoulos, R.J., George, H.: Forecasting: Principles and Practice. 2nd edn. (2018)

Barnard, G.A.: Control charts and stochastic processes. J. R. Stat. Soc. Ser. B (Methodol.) 21(2), 239–257 (1959)MATH

Basseville, M., Nikiforov, I.V., et al.: Detection of Abrupt Changes: Theory and Application, vol. 104. Prentice Hall Englewood Cliffs, Englewood Cliffs (1993)

Benveniste, A.: On-line detection of jumps in mean. Lect. Notes Control Inf. Sci. 77, 567 (1984)

Brown, R.L., Durbin, J., Evans, J.M.: Techniques for testing the constancy of regression relationships over time. J. R. Stat. Soc. Ser. B (Methodol.) 37(2), 149–163 (1975)MathSciNetMATH

Graves, S., et al.: A new approximation for the average run length of a cusum. In: Joint Statistical Meeting, Indianapolis (2000)

Hawkins, D.M., Olwell, D.H.: Statistics for engineering and physical science-cumulative sum charts and charting for quality improvement (1998)

Hinkley, D.V.: Inference about the change-point in a sequence of random variables (1970)

10.

Hochreiter, S., Schmidhuber, J.: Long short-term memory. Neural Comput. 9(8), 1735–1780 (1997)CrossRef

11.

Killick, R., Fearnhead, P., Eckley, I.A.: Optimal detection of changepoints with a linear computational cost. J. Am. Stat. Assoc. 107(500), 1590–1598 (2012)MathSciNetCrossRef

12.

Mahmoud, S., Sobieczky, F., Martinez-Gil, J., Praher, P., Freudenthaler, B.: Decay-parameter diagnosis in industrial domains by robustness through isotonic regression. Procedia Comput. Sci. 180, 466–475 (2021)CrossRef

13.

Page, E.S.: Continuous inspection schemes. Biometrika 41(1/2), 100–115 (1954)MathSciNetCrossRef

14.

Pettitt, A.N.: A non-parametric approach to the change-point problem. J. R. Stat. Soc. Ser. C (Appl. Stat.) 28(2), 126–135 (1979)

15.

Sharma, S., Swayne, D.A., Obimbo, C.: Trend analysis and change point techniques: a survey. Energy Ecol. Environ. 1(3), 123–130 (2016)CrossRef

16.

Tartakovsky, A., Nikiforov, I., Basseville, M.: Sequential Analysis: Hypothesis Testing and Changepoint Detection, 1st edn. Chapman Hall/CRC, Boca Raton (2014)CrossRef

17.

Wald, A.: Sequential Analysis, 1st edn. John Wiley and Sons, New York (1947)MATH

18.

Zeileis, A., Leisch, F., Hornik, K., Kleiber, C.: strucchange: an r package for testing for structural change in linear regression models. J. Stat. Softw. Articles 7(2), 1–38 (2002)

Titel: Deep Learning Rule for Efficient Changepoint Detection in the Presence of Non-Linear Trends
verfasst von: Salma Mahmoud
Jorge Martinez-Gil
Patrick Praher
Bernhard Freudenthaler
Alexander Girkinger
Verlag: Springer International Publishing
Buch: Database and Expert Systems Applications - DEXA 2021 Workshops
Print ISBN: 978-3-030-87100-0

Electronic ISBN: 978-3-030-87101-7

Copyright-Jahr: 2021
DOI: https://doi.org/10.1007/978-3-030-87101-7_18

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"

Premium Partner