Search

La detección de anomalías es uno de los temas más populares en el mundo de la ciencia de datos por sus múltiples aplicaciones prácticas. En concreto, el estudio de anomalías en series temporales es un problema ampliamente investigado y desarrollado a lo largo de la historia, nutriéndose tanto de técnicas estadísticas como de los algoritmos de aprendizaje automático y profundo que han ido surgiendo con los años. Sin embargo, existen muy pocos trabajos en la literatura que comparen técnicas de detección de anomalías procedentes de métodos estadísticos, algoritmos de aprendizaje automático y algoritmos de aprendizaje profundo. Por eso, en este trabajo, se analizan y desarrollan algoritmos procedentes de los tres campos mencionados anteriormente, complementados con transformaciones de las series temporales, con el objetivo de analizar la efectividad de cada algoritmo para diversas situaciones y anomalías. El análisis del desempeño de cada algoritmo se realizará a través de conjuntos de series temporales públicos con anomalías identificadas y pertenecientes a distintas categorías; desarrollando un formalismo matemático válido para llevar a cabo dicha tarea, y utilizando métricas capaces de representar adecuadamente el desempeño de los modelos de detección de anomalías.