Detección de anomalías en series temporales mediante visión artificial

Abstract

[CA] Les sèries temporals fan referència a successions de dades ordenats cronològicament i que mostren l’evolució d’un variable en un determinat període de temps. Hui en dia el modelatge de sèries temporals està present en molts àmbits professionals com el negoci, la indústria o la medicina. Així, doncs, és d’interés per a tota organització que dispose d’este tipus de dades poder explotar-los per a donar-los utilitat. Enconcret este TFG sorgix d’una col·laboració i proposta per part d’Inditex. L’empresa disposa en els seus sistemes multitud de quadros de comandaments ja elaborats que mostren informació important en temps real, però no tenen personal suficient com per a poder controlar-los en tot moment. Donadaesta problemàtica, Inditex busca investigar el potencial d’un sistema capaç d’automatitzar la detecció d’anomalies en sèries temporals des d’una perspectiva pura de visió artificial, simulant la tasca que podia realitzar una persona per mitjà de l’anàlisi o revisió de les gràfiques presents en els dashboards. Este Treball de Fi de Grau, per tant, pretén analitzar la viabilitat de crear mètodes de detecció d’anomalies en sèries temporals a través de l’ús únic i exclusiu d’imatges amb representacions gràfiques de línies bidimensionals. S’han desenvolupat així dos propostes distintes, enfocades en un tipus d’imatge i anomalia diferents. Amb la primera d’elles hem aconseguit, fent ús d’un Autoencoder convolucional, detectar anomalies puntuals en un xicotet conjunt de gràfiques a nivell local, marcant les columnes exactes on es localitzaven. D’altra banda, amb la segona proposta hem aconseguit detectar anomalies a nivell global, creant per a això models de classificació binària capaç de separar les imatges amb anomalies de les normals. Així, doncs, s’ha aconseguit, emprant una xarxa neuronal convolucional preentrenada ResNet50, un valor de f1-score de 0.87 sobre un conjunt de representacions de test.

[ES] Las series temporales hacen referencia a sucesiones de datos ordenados cronológicamente y que muestran la evolución de un variable en un determinado período de tiempo. Hoy en día el modelado de series temporales está presente en muchos ámbitos profesionales como el negocio, la industria o la medicina. Así pues, es de interés para toda organización que disponga de este tipo de datos poder explotarlos para darles utilidad.

En concreto este TFG surge de una colaboración y propuesta por parte de Inditex. La empresa dispone en sus sistemas multitud de cuadros de mandos ya elaborados que muestran información importante en tiempo real, pero no tienen personal suficiente como para poder controlarlos en todo momento. Dada esta problemática, Inditex busca investigar el potencial de un sistema capaz de automatizar la detección de anomalías en series temporales desde una perspectiva pura de visión artificial, simulando la tarea que podía realizar una persona mediante el análisis o revisión de las gráficas presentes en los dashboards.

Este Trabajo de Fin de Grado, por tanto, pretende analizar la viabilidad de crear métodos de detección de anomalías en series temporales a través del uso único y exclusivo de imágenes con representaciones gráficas de líneas bidimensionales.

Se han desarrollado así dos propuestas distintas, enfocadas en un tipo de imagen y anomalía diferentes. Con la primera de ellas hemos conseguido, haciendo uso de un Autoencoder convolucional, detectar anomalías puntuales en un pequeño conjunto de gráficas a nivel local, marcando las columnas exactas donde se localizaban. Por otro lado, con la segunda propuesta hemos logrado detectar anomalías a nivel global, creando para ello modelos de clasificación binaria capaces de separar las imágenes con anomalías de las normales. Así pues, se ha alcanzado, empleando una red neuronal convolucional preentrenada ResNet-50, un valor de f1-score de 0.87 sobre un conjunto de representaciones de test.

[EN] Time series refer to successions of chronologically ordered data showing the evolution of a variable over a certain period of time. Nowadays, time series modeling is present in many professional fields such as business, industry or medicine. Thus, it is of interest for any organization that has this type of data to be able to exploit them to make them useful.

Specifically, this TFG arises from a collaboration and proposal by Inditex. The company has in its systems a multitude of dashboards that show important information in real time, but they do not have enough staff to control them at all times. Given this problem, Inditex seeks to investigate the potential of a system capable of automating the detection of anomalies in time series from a pure computer vision perspective, simulating the task that a person could perform by analyzing or reviewing the graphs present in the dashboards.

This Final Degree Project, therefore, aims to analyze the feasibility of creating anomaly detection methods in time series through the sole and exclusive use of images with two-dimensional line graph representations.

Thus, two different proposals have been developed, focused on a different type of image and anomaly. With the first one, using a convolutional Autoencoder, we have been able to detect punctual anomalies in a small set of graphs at a local level, marking the exact columns where they were located. On the other hand, with the second proposal we have been able to detect anomalies at a global level, creating binary classification models capable of separating the images with anomalies from the normal ones. Thus, using a pretrained convolutional neural network ResNet-50, we have achieved an f1-score value of 0.87 on a set of test representations.