[論文レビュー] LSTM-Autoencoder based Anomaly Detection for Indoor Air Quality Time Series Data

Yuanyuan Wei, Julian Jang‐Jaccard+4 more|arXiv (Cornell University)|Apr 14, 2022

Air Quality Monitoring and Forecasting被引用数 12

ひとこと要約

本稿では、LSTMユニットを用いて長期的な時系列依存性を捉え、オートエンコーダーを用いて再構成誤差を計算し、異常閾値を設定する手法を組み合わせたLSTM-オートエンコーダーのハイブリッドモデルを提案する。実世界のダニーデンCO₂データセットを用いた評価において、99.50%の検出精度を達成し、既存の手法を上回った。

ABSTRACT

Anomaly detection for indoor air quality (IAQ) data has become an important area of research as the quality of air is closely related to human health and well-being. However, traditional statistics and shallow machine learning-based approaches in anomaly detection in the IAQ area could not detect anomalies involving the observation of correlations across several data points (i.e., often referred to as long-term dependences). We propose a hybrid deep learning model that combines LSTM with Autoencoder for anomaly detection tasks in IAQ to address this issue. In our approach, the LSTM network is comprised of multiple LSTM cells that work with each other to learn the long-term dependences of the data in a time-series sequence. Autoencoder identifies the optimal threshold based on the reconstruction loss rates evaluated on every data across all time-series sequences. Our experimental results, based on the Dunedin CO2 time-series dataset obtained through a real-world deployment of the schools in New Zealand, demonstrate a very high and robust accuracy rate (99.50%) that outperforms other similar models.

研究の動機と目的

• 従来の統計的手法および浅い機械学習手法が、IAQ時系列データにおける長期的相関を捉える能力に制限を受ける問題に対処すること。
• 室内CO₂濃度データに含まれる複雑な時系列依存性を学習可能なディーブラーニングモデルの開発。
• データ品質がしばしば損なわれる現実世界の非ステーションリティなIAQ環境における異常検出精度の向上。
• オートエンコーダーからの再構成誤差を用いた堅牢な、閾値ベースの異常検出システムの構築。

提案手法

• モデルは、時系列的なIAQデータポイント間の長期的時系列依存性を学習するスタックドLSTMエンコーダーを用いる。
• オートエンコーダーは、LSTMエンコーダーからの符号化表現を用いて入力時系列を再構成する。
• 各タイムステップごとに再構成誤差を計算し、訓練データセットからの最大平均絶対誤差（MAE）を異常閾値として用いる。
• テストサンプルの再構成誤差が学習済み閾値を超えた場合に異常を検出する。
• モデルは、実際の教室内のCO₂レベルを捉えたダニーデンCO₂データセット上でエンドツーエンドに訓練される。
• 標準的な指標、すなわち正確度、適合率、再現率、F1スコア、AUC-ROCを用いて性能を評価する。

Figure 1 : How LSTM Unit Works

実験結果

リサーチクエスチョン

• RQ1 LSTM-オートエンコーダーのモデルは、長期的依存性を含む室内空気質（IAQ）時系列データにおける異常を効果的に検出できるか？
• RQ2 オートエンコーダーからの再構成誤差は、従来の統計的閾値と比較して、異常なCO₂濃度を特定する上で優れているか？
• RQ3 本異常検出タスクの性能を最大化するための最適なタイムウィンドウ長は何か？
• RQ4 本手法は、実世界のIAQデータにおいて、他のLSTM-オートエンコーダーの変種と比較して優れた性能を示すか？
• RQ5 本モデルは、潜在的なデータ品質の問題を伴う現実世界の非ステーションリティなIAQデータに十分に一般化できるか？

主な発見

• 提案されたLSTM-オートエンコーダー・モデルは、ダニーデンCO₂データセットにおいて99.50%の検出精度を達成し、他の類似モデルを著しく上回った。
• モデルは100%の適合率を達成しており、検出された異常において誤検出が一切ないことを示しており、信頼性の高いIAQモニタリングにとって重要である。
• AUC-ROCスコアは94.8%であり、真正陽性率と偽陽性率の良好なトレードオフを示した。
• 最大性能を発揮する最適なタイムウィンドウ長は10タイムステップであり、25を越えてウィンドウサイズが増加すると性能が低下した。
• 閾値は再構成誤差1.742に設定されており、1,000 ppmを超えるCO₂濃度は一貫してこの閾値を超えており、異常と分類された。
• 比較対象モデルの中で、Nguyenら[28]のOne-Class SVMを追加したモデルのみがF1スコア96.98%を達成したが、全体の正確度が98.36%に低下しており、本手法に比べて性能が劣った。

Figure 2 : How Autoencoder Works