Μέθοδοι ανίχνευσης ανωμαλιών σε δεδομένα χρονοσειρών

Σπεντζούρης, Ιωάννης; Spentzouris, Ioannis

dc.contributor.author	Σπεντζούρης, Ιωάννης	el
dc.contributor.author	Spentzouris, Ioannis	en
dc.date.accessioned	2025-11-12T06:44:13Z
dc.date.available	2025-11-12T06:44:13Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62839
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30535
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Ανίχνευση ανωμαλιών	el
dc.subject	Δεδομένα χρονοσειρών	el
dc.subject	Στατικά και Δυναμικά Όρια	el
dc.subject	Βελτιστοποίηση Υπερπαραμέ- τρων	el
dc.subject	Yahoo Webscope S5	en
dc.subject	NAB NYC Taxi	en
dc.title	Μέθοδοι ανίχνευσης ανωμαλιών σε δεδομένα χρονοσειρών	el
dc.title	Anomaly detection methods in time series data	en
dc.contributor.department	Τομέας Μαθηματικών	el
heal.type	bachelorThesis
heal.classification	Εφαρμοσμένα μαθηματικά	el
heal.classification	Μηχανική μάθηση	el
heal.classification	Βαθιά μάθηση	el
heal.classification	Στατιστική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-06-24
heal.abstract	Η παρούσα διπλωματική εργασία εστιάζει στην ανίχνευση ανωμαλιών σε μονοδιάστατες χρονοσειρές, συνδυάζοντας θεωρητικές βάσεις με πρακτικές εφαρμογές για την προσέγγιση ενός κρίσιμου προβλήματος που απαντάται σε πληθώρα πεδίων, όπως η οικονομία, η βιομηχανία και η κυβερνοασφάλεια. Στο θεωρητικό μέρος της εργασίας παρουσιάζονται τα βασικά είδη ανωμαλιών, καθώς και θεμελιώδεις έννοιες της ανάλυσης χρονοσειρών, όπως τα χρονικά τους μοτίβα, η στασιμότητα, η αυτοσυσχέτιση και οι στάσιμες διαδικασίες, οι οποίες αποτελούν τη βάση για την ανάπτυξη των στατιστικών προσεγγίσεων. Στη συνέχεια, γίνεται εκτενής ανασκόπηση των μεθοδολογιών ανίχνευσης ανωμαλιών, οι οποίες ταξινομούνται σε τρεις κύριες κατηγορίες: Στατιστικές μέθοδοι, όπως το Γραμμικό Μοντέλο (Linear Model), η Εκθετική Εξομάλυνση Holt-Winters και τα μοντέλα SARIMA, τα οποία βασίζονται σε υποθέσεις για τη δομή και τη στατιστική συμπεριφορά της χρονοσειράς. Μέθοδοι μηχανικής μάθησης, που περιλαμβάνουν τεχνικές γενικής ανίχνευσης ανωμαλιών όπως τα Δάση Απομόνωσης (Isolation Forest), τον Τοπικό Παράγοντα Αποκλίσεων (Local Outlier Factor), τις Μηχανές Υποστήριξης Μίας Κλάσης (One-Class SVM), τον αλγόριθμο ομαδοποίησης DBSCAN, το Προφίλ Πίνακα (Matrix Profile) και τον αλγόριθμο ενίσχυσης κλίσης XGBoost. Μέθοδοι βαθιάς μάθησης, όπως τα Πολυστρωματικά Perceptron (MLP), τα Δίκτυα Μακράς Βραχύχρονης Μνήμης (LSTM) και οι Αυτοκωδικοποιητές (Autoencoders), οι οποίοι αξιοποιούν την ικανότητα των νευρωνικών δικτύων να μαθαίνουν πολύπλοκες, μη γραμμικές αναπαραστάσεις από τα δεδομένα. Στο πρακτικό μέρος της εργασίας, τα δεδομένα αρχικά ομαδοποιούνται και προεπεξεργάζονται με τη χρήση τεχνικών όπως η κανονικοποίηση (ή τυποποίηση), προκειμένου να λειτουργήσουν πιο αποτελεσματικά οι αλγόριθμοι που περιγράφηκαν προηγουμένως. Στη συνέχεια, εφαρμόζονται, και για κάθε μέθοδο επιχειρείται η εύρεση των βέλτιστων υπερπαραμέτρων μέσω τεχνικών όπως η διασταυρωμένη επικύρωση σε χρονοσειρές (Time Series Cross-Validation - TSCV) στο εκπαιδευτικό σύνολο και η αναζήτηση πλέγματος (grid search) στο σύνολο δοκιμής, σύμφωνα με τα χαρακτηριστικά της κάθε μεθόδου. Οι αλγόριθμοι αξιολογούνται σε δύο πραγματικά σύνολα δεδομένων: το Yahoo Webscope S5 (υποσύνολο A1), το οποίο περιλαμβάνει χρονοσειρές με διαφορετικούς τύπους ανωμαλιών, και τη χρονοσειρά NYC Taxi από το Numenta Anomaly Benchmark (NAB), η οποία περιέχει δεδομένα κίνησης ταξί σε αστικό περιβάλλον. Ανάλογα με τη φύση κάθε αλγορίθμου, εφαρμόζονται είτε χρονικά χαρακτηριστικά (temporal features) για να ενσωματωθεί η χρονική πληροφορία στα μοντέλα, είτε στρατηγικές οριοθέτησης όπως τα στατικά και δυναμικά όρια, με σκοπό τη βελτίωση της ικανότητας εντοπισμού των ανωμαλιών. Η τελική αξιολόγηση των αλγορίθμων βασίζεται τόσο σε κλασικές μετρικές (ακρίβεια, ανάκληση, βαθμολογία F1), όσο και στη μετρική της βαθμολογίας NAB, η οποία λαμβάνει υπόψη τη χρονική ακρίβεια ανίχνευσης για το NYC Taxi. Η εργασία ολοκληρώνεται με σχολιασμό των αποτελεσμάτων, αναφορά σε πιθανές βελτιώσεις και προτάσεις για μελλοντική έρευνα.	el
heal.advisorName	Φουσκάκης, Δημήτριος	el
heal.committeeMemberName	Λουλάκης, Μιχαήλ	el
heal.committeeMemberName	Παπαντολέων, Αντώνιος	el
heal.academicPublisher	Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Μαθηματικών
heal.academicPublisherID	ntua
heal.numberOfPages	118
heal.fullTextAvailability	false