Estudio sobre la Detección de Anomalías en Series de Datos

Abstract

La detección de anomalías es un problema de gran relevancia en la ciencia de datos debido a que, una vez interpretadas, pueden indicar problemas críticos como, por ejemplo, un fallo técnico en una máquina o un cambio de comportamiento en los hábitos de animales o personas. El objetivo de este trabajo es realizar un estudio comparativo sobre la detección de anomalías en series de datos usando redes neuronales, centrándose en analizar el rendimiento de diferentes modelos y arquitecturas para determinar cuál es la mejor. Para realizar el estudio, se seleccionan dos arquitecturas de red a las que se aplican diferentes hiperparámetros y se evalúan los modelos resultantes contra dos tipos de series temporales: periódicas y no periódicas.

Anomaly detection is a highly relevant problem in data science because, once interpreted, anomalies can indicate critical problems, such as technical failures in a machine or a change in the behaviour of animals or people. The aim of this survey is to carry out a comparative study on anomaly detection in datasets using neural networks, focusing on analysing the performance of different models and architectures to determine which one is the best. To perform the study, two network architectures are selected to which different hyperparameters are applied. The resulting models are evaluated against two types of time series: periodic and non-periodic.