| Title: | Сравнительный анализ методов обнаружения аномалий в мультисенсорных временных рядах транспортного мониторинга |
| Authors: | Коньков, Д. А. |
| Keywords: | материалы конференций;транспортный мониторинг;мультисенсорные временные ряды;обнаружение аномалий |
| Issue Date: | 2026 |
| Publisher: | БГУИР |
| 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. |
| 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. |
| Alternative abstract: | 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. |
| URI: | https://libeldoc.bsuir.by/handle/123456789/64480 |
| Appears in Collections: | Информационные радиосистемы и радиотехнологии (2026)
|
