With the development of data collection technology, detecting anomalies in a large amount of time-series data with an automated system is challenging. Identifying properties using trends and periodicity through time-series decomposition helps to figure out complex time-series patterns. However, previous approaches for detecting anomalies in time series did not take into account temporal auxiliary information such as holidays, limiting their ability to respond exceptionally to unusual circumstances. For example, a sharp increase in the value of a given variable might be normal on holidays but anomalous on weekdays. In this study, we propose a framework that helps to detect anomalies through time-series decomposition based on a deep neural network by exploiting temporal auxiliary information. Through experiments on the real-world dataset and public referenced datasets, we show that the anomaly detection using the residuals of context-based decomposition improves performance by up to 37% in conventional metrics and 49% in time-series aware metrics compared with existing methods.
데이터 수집 기술의 발전에 따라 방대한 양의 시계열 데이터에서 자동화 시스템으로 이상치를 탐지하는 것은 중요한 문제이다. 다양한 도메인에서 이상치 탐지에 대한 수요가 증가하고 있으며 이상치 탐지를 위한 많은 연구가 진행되어 왔다. 시계열의 분해를 통해 추세, 주기성을 이용하여 특징을 파악하는 것은 복잡한 시계열 패턴을 이해하는데 도움이 된다. 그러나 기존의 시계열 데이터 이상치 탐지 방법론들은 공휴일과 같은 부가 정보들을 고려하지 않아 예외적으로 발생하는 상황에 유연하게 대처하지 못했다. 예를 들어 특정 변수 값의 급격한 상승이 공휴일에는 정상이나 평일에는 이상치일 수 있다. 본 연구에서는 시계열의 부가 정보들을 명료하게 활용하여 딥러닝 기반의 시계열 분해를 통해 이상치 탐지에 도움을 주는 프레임워크를 제안한다. 실제 시계열 데이터와 오픈된 데이터를 활용한 실험을 통해, 컨텍스트 인지 기반 시계열 분해의 잔차를 활용한 이상치 탐지 모델은 전통적 평가 지표로 최대 37%까지, 시계열 인지 평가 지표로 최대 49%까지 성능 향상을 보였다.
