[論文レビュー] Hankel-structured Tensor Robust PCA for Multivariate Traffic Time Series Anomaly Detection

Xudong Wang, Luis Miranda-Moreno+1 more|arXiv (Cornell University)|Oct 8, 2021

Blind Source Separation Techniques参考文献 27被引用数 8

ひとこと要約

本稿では、局所的およびグローバルな空間時間相関を捉えるために時間的ハンケル化を適用することで、多変数交通時系列の異常検出を向上させる、新しいテンソルベースのRPCA手法、Hankel-structured Tensor Robust PCA (HT-RPCA) を提案する。低ランク行列を3階テンソルに変換し、ADMMを用いたテンソルノルム（TNN）とl1-ノルムの最小化により、従来のRPCAおよびRPCA-TVモデルと比較して、誤検出が少なく、より優れた異常検出精度を達成する。

ABSTRACT

Spatiotemporal traffic data (e.g., link speed/flow) collected from sensor networks can be organized as multivariate time series with additional spatial attributes. A crucial task in analyzing such data is to identify and detect anomalous observations and events from the data with complex spatial and temporal dependencies. Robust Principal Component Analysis (RPCA) is a widely used tool for anomaly detection. However, the traditional RPCA purely relies on the global low-rank assumption while ignoring the local temporal correlations. In light of this, this study proposes a Hankel-structured tensor version of RPCA for anomaly detection in spatiotemporal data. We treat the raw data with anomalies as a multivariate time series matrix (location $ imes$ time) and assume the denoised matrix has a low-rank structure. Then we transform the low-rank matrix to a third-order tensor by applying temporal Hankelization. In the end, we decompose the corrupted matrix into a low-rank Hankel tensor and a sparse matrix. With the Hankelization operation, the model can simultaneously capture the global and local spatiotemporal correlations and exhibit more robust performance. We formulate the problem as an optimization problem and use tensor nuclear norm (TNN) to approximate the tensor rank and $l_1$ norm to approximate the sparsity. We develop an efficient solution algorithm based on the Alternating Direction Method of Multipliers (ADMM). Despite having three hyper-parameters, the model is easy to set in practice. We evaluate the proposed method by synthetic data and metro passenger flow time series and the results demonstrate the accuracy of anomaly detection.

研究の動機と目的

• 従来のRPCAが多変数交通時系列における局所的時間的相関を捉えることの限界を解決すること。
• グローバルな低ランク構造と局所的な時間的依存関係の両方を組み込むことで、異常検出のロバスト性を向上させること。
• 時間的遅延構造を空間時間データに埋め込むためにハンケル化を活用するテンソルベースのフレームワークを構築すること。
• 最小限のハイパーパrameterチューニングで実現可能な効率的かつスケーラブルな最適化手法（ADMM）を提供すること。
• 中国広州の実際の地下鉄乗客流量データを用いて、本手法の有効性を検証すること。

提案手法

• 時間的ハンケル化を用いて、元の多変数交通行列（N地点 × T時間ステップ）をハンケルテンソルに変換し、時間的相関モデリングを強化する3階テンソルを構築する。
• 異常検出問題をテンソル最適化問題として定式化し、低ランク構造のためのテンソルノルム（TNN）と残差行列におけるスパarsityのためのl1-ノルムの重み付き和を最小化する。
• 非凸最適化問題を効率的に解くために、交替方向乗数法（ADMM）を用い、低ランクテンソルとス parse 行列の成分を交互に更新する。
• 欠損値を含むデータを処理するため、フレームワークをロバストテンソル補完に拡張した、修正版HT-RMCを適用する。
• 元の行列をテンソルから再構成するために、ハンケル化演算子Hτおよびその逆演算子Hτ⁻¹を組み込み、時間的連続性を保持する。
• テンソルランクの凸近似としてTNNを、スパarsityの近似としてl1-ノルムを用い、低ランクおよびスパース仮定の下で最適化を実行可能にする。

実験結果

リサーチクエスチョン

• RQ1 ハンケル構造を有するテンソルRPCAは、交通時系列におけるグローバルおよびローカルな空間時間相関を捉えることで、異常検出性能を向上させることができるか？
• RQ2 実際の地下鉄乗客流量データにおける異常検出において、提案されたHT-RPCAモデルは、従来のRPCAおよび全変動付きRPCA（RPCA-TV）と比較してどのように異なるか？
• RQ3 ハンケル化プロセスは、多変数交通データにおける周期的および一時的異常の検出能力をどの程度向上させるか？
• RQ4 ノイズおよび欠損データに対して、HT-RPCAモデルはどの程度ロバストであり、最小限のハイパーパrameterチューニングで高い検出精度を維持できるか？
• RQ5 本モデルは、メトロネットワーク全体における異常伝播パターンを効果的に特定でき、因果関係や連鎖的影響を示唆できるか？

主な発見

• 提案されたHT-RPCAモデルは、実際の地下鉄乗客流量データにおけるほぼすべての異常を検出しており、7月26日23時45分の4名の乗客という信号強度が低いわずかな異常1件を除き、すべて検出に成功した。
• RPCAおよびRPCA-TVと比較して、HT-RPCAは滑らかで安定した異常プロファイルを生成しており、誤検出が少なく、より高いロバスト性を示している。
• モデルは乗客流量の周期的な日次パターンを効果的に捉えており、これらのパターンから著しく逸脱する異常も検出している。
• 異常伝播解析から、JNXおよびXMK駅から始まる連鎖的影響が確認され、上流駅では早期に異常が現れ、下流駅では遅れて異常が観測される傾向が示され、現実の障害ダイナミクスと整合的であった。
• 合成データおよび中国広州の実際の地下鉄データの両方において、HT-RPCAモデルはベースラインのRPCAおよびRPCA-TVを上回る検出精度と安定性を示した。
• モデルはパrameterの変動に対してロバストであり、ハイパーパrameterがわずか3つであるため、実運用への実装が容易である。