Detección de anomalías en la monitorización de una flota de autobuses

Abstract

[ES] El objetivo de este TFM consiste en desarrollar una aplicación para el análisis de datos recogidos mediante el protocolo FMS (Fleet Management System) de una flota de autobuses con el fin de detectar patrones de comportamiento en el funcionamiento de los vehículos y detectar posibles anomalías en aquellos que se salgan del patrón. Dicho análisis proporcionará una información útil para el mantenimiento predictivo de la flota y el seguimiento del estado del vehículo.

El trabajo se centra en la detección de anomalías en series temporales de datos FMS de la flota de autobuses recogidos durante un período de tiempo. Al no disponer de un dataset de entrenamiento etiquetado con secuencias anómalas, la propuesta se centra en desarrollar un modelo no supervisado de detección de anomalías. Con este fin, se proporciona un conjunto de datos con secuencias temporales que se consideran normales, a partir del cual se entrena un modelo que aprende a analizar diferencias con otras secuencias y a clasificarlas como anomalías o no.

Se implementarán dos técnicas de detección de anomalías, una basada en los k-vecinos más cercanos y otra basada en técnicas de agrupamiento (clustering) que se aplicarán en función de la tipología de los datos FMS.

[EN] The objective of this TFM is to develop an application for the analysis of data collected through the FMS (Fleet Management System) protocol of a fleet of buses in order to detect behavior patterns in the operation of vehicles and detect possible anomalies in those That they get out of the pattern. This analysis will provide useful information for predictive fleet maintenance and vehicle health monitoring. The work focuses on the detection of anomalies in time series of FMS data of the bus fleet collected over a period of time. In the absence of a training dataset labeled with anomalous sequences, the proposal focuses on developing an unsupervised model of anomaly detection. To this end, a set of data with temporal sequences that are considered normal is provided, from which a model is trained that learns to analyze differences with other sequences and to classify them as anomalies or not. Two anomaly detection techniques will be implemented, one based on k-closest neighbors and the other based on clustering techniques that will be applied based on the type of FMS data.