基于时空数据流的视觉异常检测和监控

论文：Voila: Visual Anomaly Detection and Monitoring with Streaming Spatiotemporal Data

基于时空数据流的可视化异常检测和监控

摘要：不断从各种来源收集的时空数据的可用性日益增加，为及时了解数据的时空背景提供了新的机会。在这些数据中发现异常模式构成了重大挑战。由于正常模式和异常模式之间通常没有明确的界限，现有的解决方案在识别大型、动态和异构数据中的异常、解释其多层面时空上下文中的异常以及允许用户在分析循环中提供反馈方面的能力有限。在这项工作中，我们介绍了一个统一的可视化交互系统和框架，Voila，用于交互式地检测来自流数据源的时空数据中的异常。该系统设计满足实际应用中的两个需求，即、在线监控和交互性。我们提出了一种新颖的基于张力的异常分析算法，通过可视化和交互设计，动态生成上下文化、可解释的数据摘要，并允许基于用户输入对异常模式进行交互式排序。以“智慧城市”为例，通过定量评估和定性案例研究，验证了该框架的有效性。

步骤：1.获取tensor时间序列

2.根据Tensor时间序列给出的历史数据，提取出序列中存在的期望模式，用于捕获异常

3.上下文分析进行动态模式提取，采用Tensor分解的方式获取。

4.异常模式提取，通过期望模式和动态模式，可以定义一个区域出现异常的概率