| DC Field | Value | Language |
|---|
| dc.contributor.author | Коньков, Д. А. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2026-07-08T06:17:08Z | - |
| dc.date.available | 2026-07-08T06:17:08Z | - |
| dc.date.issued | 2026 | - |
| dc.identifier.citation | Коньков, Д. А. Сравнительный анализ методов обнаружения аномалий в мультисенсорных временных рядах транспортного мониторинга / Д. А. Коньков // Информационные радиосистемы и радиотехнологии : сборник материалов научно-технической конференции, Минск, 9–10 июня 2026 г. / Белорусский государственный университет информатики и радиоэлектроники ; редкол.: В. А. Богуш [и др.]. – Минск, 2026. – С. 191–194. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/64480 | - |
| dc.description.abstract | В работе сопоставлены пять классов алгоритмов, применяемых сегодня для обнаружения аномалий в мультисенсорных потоках данных транспортного мониторинга: пороговые правила, реконструкционные автокодировщики (VAE и LSTM-AE), изолирующие леса и контрастивные представления. Сравнение опирается на четыре практически значимых критерия — время до обнаружения, частоту ложных срабатываний, требования к разметке и объяснимость решения. Показано, что ни один из методов не лидирует одновременно по всем критериям. Исходя из этого предложена комбинированная схема, использующая сильные стороны контрастивного обучения и реконструкционного автокодировщика. Эксперименты показывают сокращение времени детекции на 10–30% и снижение частоты ложных срабатываний на 10–20% по сравнению с лучшими одиночными методами. | en_US |
| dc.language.iso | ru | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | транспортный мониторинг | en_US |
| dc.subject | мультисенсорные временные ряды | en_US |
| dc.subject | обнаружение аномалий | en_US |
| dc.title | Сравнительный анализ методов обнаружения аномалий в мультисенсорных временных рядах транспортного мониторинга | en_US |
| dc.type | Article | en_US |
| local.description.annotation | The paper compares five classes of algorithms currently used for anomaly detection in multisensor data streams of transport monitoring: threshold rules, reconstruction autoencoders (VAE and LSTM-AE), isolation forests, and contrastive representations. The comparison is built on four practically relevant criteria — time to detection, false alarm rate, labelling requirements, and decision explainability. It is shown that no single method leads across all criteria simultaneously. On this basis, a combined scheme is proposed that exploits the strengths of contrastive learning and a reconstruction autoencoder. Experiments demonstrate a 10–30% reduction in detection time and a 10–20% drop in false alarm rate compared to the best individual methods. | en_US |
| Appears in Collections: | Информационные радиосистемы и радиотехнологии (2026)
|
