Zaman Serisi Anomali Tespiti

Zaman serisi anomali tespiti, veri analizinde önemli bir konudur. Bu amaçla farklı yaklaşımlar kullanılmaktadır. İki popüler yöntem STL (Seasonal and Trend decomposition using Loess) ve BOCPD (Bayesian Online Change Point Detection) yöntemleridir.

STL (Seasonal and Trend decomposition using Loess)

STL, zaman serilerini bileşenlerine ayırarak anomali tespiti yapılmasını sağlar.

• Sezonsal Bileşen: Verinin mevsimsel etkilerini gösterir.
• Eğilim Bileşeni: Uzun dönem eğilimleri ortaya koyar.
• Artan Gürültü: Kalan bileşen, anomali tespitinde kullanılır.

STL, verinin özelliklerine göre parametrik olmayan bir yaklaşım sunar. Bu, anomali tespitini daha esnek hale getirir.

BOCPD (Bayesian Online Change Point Detection)

BOCPD, zaman serisinde değişim noktalarını tespit etmek için Bayesyen bir yaklaşımdır.

• Online Algoritma: Yeni veriler geldikçe sürekli güncellenir.
• Değişim Noktası Belirleme: Veri akışında ani değişiklikler tespit edilir.
• Bayesyen Çerçeve: Geçmiş verilere dayalı tahmin yapar.

BOCPD, özellikle hızlı değişimlerin tespitinde etkilidir. Böylece, sistemin performansı hakkında anında bilgi sağlar.

Sonuç

STL ve BOCPD, zaman serisi anomali tespitinde etkili yöntemlerdir. STL, sezon ve eğilim bileşenlerini analiz ederken; BOCPD, dinamik değişimleri tespit eder. Hangi yönteminin tercih edileceği, verilen veri setinin özelliklerine ve uygulama gereksinimlerine bağlıdır.