Порiвняльний аналiз пiдходiв до виявлення аномалiй у часових рядах на основi моделей ARIMA, XGBoost та LSTM
Loading...
Date
2026
Authors
Мельник, Катерина
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Робота присвячена порiвняльному аналiзу методiв виявлення аномалiй в одновимiрних часових рядах. Розглянуто теоретичнi основи аналiзу часових рядiв, класифiкацiю аномалiй та пiдходи до їх виявлення. Для практичного дослiдження обрано три методи — ARIMA, XGBoost та LSTM, — якi представляють статистичний пiдхiд, машинне навчання та нейроннi мережi вiдповiдно. Методи реалiзовано та протестовано на реальних даних з вiдкритого бенчмарку NAB за метриками F2-score, ROC-AUC та часом обчислення. Результати свiдчать про те, що статистичний метод ARIMA забезпечує рiвень детекцiї, порiвнянний iз складнiшими пiдходами, залишаючись при цьому значно простiшим у застосуваннi та iнтерпретацiї. XGBoost демонструє найкраще поєднання точностi та обчислювальної ефективностi. Загалом результати вказують на те, що для одновимiрних рядiв iз точковими аномалiями складнiшi моделi не гарантують суттєвих переваг.
Description
Keywords
часовий ряд, виявлення аномалiй, LSTM, ARIMA, XGBoost, машинне навчання, нейроннi мережi, бакалаврська робота