بررسي عملكرد روش‌هاي كشف مشاهدات اشتباه در سري‌هاي زماني

Performance assessment of outlier detection algorithms in time series

هدف اين مقاله، مقايسه‌ی روش‌های مختلف كشف مشاهدات اشتباه، در سری‌های زمانی می‌باشد. به اين منظور، سه روش آناليز موجك، جستجوی باردا و آستانه‌گذاری مورد بررسی قرار می‌گيرند. به منظور مقايسه‌ی عملكرد اين سه روش در كشف مشاهدات اشتباه، از سری‌های زمانی شبيه‌سازی شده‌ی 4 ماهه، بر اساس داده‌های جزر‌ و مدی استفاده گرديده است. زمانی كه مدل تابعی مشاهدات معلوم باشد، روش جستجوی باردا، نسبت به دو روش ديگر، عملكرد قوی تری دارد، زيرا بدون وابستگی به نوع اشتباهات، دارای نرخ موفقيت تقريبا 100% و شكست تقريبا 64/0% می‌باشد. زمانی كه مدل تابعی مشاهدات معلوم نباشد، آناليز موجك نسبت به روش آستانه‌گذاری، عملكرد بهتری دارد.

Our purpose in this contribution is to compare different outlier detection methods as far as time series are concerned. In fact, three methods, namely wavelet analysis, Baarda data snooping and thresholding are investigated. In order to make reasonable comparisons among the performance of these three methods in detecting the outliers, we used 4-month synthesized time series based on real tidal data. When the functional model of observations is known, Baarda data snooping, in comparison with other two methods yields the best results since its outlier rate of success and outlier rate of failure are almost 100% and 0.64%, respectively, regardless of the type of outliers. Furthermore, if the functional model of observations is unknown, wavelet analysis perform better than thresholding.