A Controlled Benchmark of Raw Sequential Image Based Hybrid and Statistical Models for Representation Aware Anomaly Detection in Household Electricity Consumption Time Series 

ملخص تقني: تقييم معياري منضبط للنماذج الهجينة والإحصائية والنمذجة التسلسلية الخام المعتمدة على الصور لتمثيل الوعي بالانحرافات في السلاسل الزمنية لاستهلاك الكهرباء المنزلية

بيان المشكلة

يتأثر اكتشاف الأحداث النادرة (الأنومالي) في السلاسل الزمنية متعددة المتغيرات لاستهلاك الكهرباء ليس فقط ببنية النموذج، بل بشكل كبير بالتمثيل البياني المستخدم قبل عملية التعلم. وبينما تقدم التعلم العميق تقدماً في اكتشاف الانحرافات، إلا أن هناك نقصاً في المقارنات المنضبطة بين النمذجة التسلسلية الخام، والتحويلات الزمنية القائمة على الصور (تحديداً حقل الزاوية غراميان - GAF)، واستراتيجيات الدمج الهجين، والنماذج الإحصائية الجدولية المرجعية.

غالباً ما تقيم الدراسات الحالية التمثيلات القائمة على الصور دون مقارنة قوية بما يكفي مع النماذج التسلسلية الخام، أو تفشل في توضيح ما إذا كانت مكاسب الأداء ناتجة عن التمثيل نفسه، أم عن قدرة النموذج، أم عن بروتوكولات بناء الانحرافات المحددة. علاوة على ذلك، تفترض العديد من الدراسات أن تحويل بيانات السلاسل الزمنية إلى صور (مثل GAF) يحسن استخراج الميزات بشكل عالمي، وهو ادعاء يتطلب تحققًا صارمًا في ظل ظروف عدم التوازن والوقائع النادرة حيث تكون الانحرافات الزمنية المحلية الدقيقة بالغة الأهمية.

المنهجية

تضع هذه الدراسة تقييماً معيارياً منضبطاً وخالياً من تسرب البيانات باستخدام مجموعة بيانات UCI Individual Household Electric Power Consumption. يعطي التصميم التجريبي الأولوية لإعادة الإنتاج والفصل الصارم للبيانات لمنع تسرب المعلومات.

1. البيانات والمعالجة المسبقة:

• مجموعة البيانات: مجموعة فرعية مكونة من 300,000 عينة مرتبة زمنياً (210 يوماً) من منزل واحد، تغطي سبعة ميزات عددية (الطاقة الفعالة/التفاعلية العالمية، الجهد، الكثافة، وثلاثة أحمال فرعية).
• التقسيم: تم إجراء تقسيم زمني (تدريب-تحقق-اختبار) قبل أي حقن للانحرافات لضمان السلامة الزمنية.
• التطبيع (Normalization): تم ضبط معايير التطبيع (Min-max) بناءً على مجموعة التدريب فقط، ثم طُبقت على مجموعات التحقق والاختبار.

2. بناء الانحرافات الاصطناعية:
بما أن مجموعة البيانات تفتقر إلى تسميات الأعطال الطبيعية، فقد تم حقن اضطرابات اصطناعية محكومة بعد عملية التقسيم:

• انحرافات نقطية (Point Anomalies): قفزات أو هبوط عشوائي في ميزة واحدة (النسبة: 0.008).
• **انحرافات سياقية (Contextual Anomalies): إزاحات إضافية محلية ضمن مقاطع قصيرة (النسبة: 0.008).
• انحرافات جماعية (Collective Anomalies): تسلسلات فرعية مستمرة تتضمن تشوهات (كتلة قفزة، خط مستقيم، أو تشوهات عكسية) (النسبة: 0.015).

3. النوافذ والتسمية:

• النوافذ المنزلقة: تم إنشاء نوافذ بطول 60 مع خطوة (stride) قدرها 20.
• التسمية القائمة على الكثافة: لتجنب تضخيم فئة الانحراف، تم تسمية النافذة بأنها منحرفة فقط إذا تجاوزت كثافة الانحراف (نسبة النقاط المنحرفة داخل النافذة) عتبة قدرها $\tau = 0.15$. نتج عن ذلك مجموعة بيانات غير متوازنة باعتدال (نسبة الانحراف ~11%).

4. استراتيجيات التمثيل:
تم اشتقاق أربعة تمثيلات مختلفة من نفس البيانات الموزعة على النوافذ:

• التسلسل الخام (Raw Sequential): مصفوفة $60 \times 7$ تحافظ على الترتيب الزمني الأصلي.
• صورة GAF: يتم تحويل كل ميزة إلى صورة حقل زاوية غراميان (GAF) بحجم $60 \times 60$، وتُكدس في تنسور بحجم $60 \times 60 \times 7$.
• الموصِّفات الإحصائية: متجه بطول 98 بُعداً لكل نافذة يحتوي على المتوسط، الانحراف المعياري، المئينات، الفروقات، والارتباطات بين الميزات.

5. مسارات النماذج (Model Pipelines):
تم تقييم أربعة مسارات تحت بروتوكول موحد (نفس التقسيمات، العتبات، والمقاييس):

• 1D-CNN الخام: التلافيف المباشرة على النوافذ التسلسلية الخام.
• GAF-CNN: شبكة تلافيفية ثنائية الأبعاد مع كتل متبقية (residual blocks) وانتباه (attention) على صور GAF.
• الدمج الهجين (Hybrid Fusion): دمج ميزات GAF-CNN مع فرع الموصِّفات الإحصائية.
• XGBoost: تعزيز التدرج (Gradient boosting) على الموصِّفات الإحصائية.

6. بروتوكول التقييم:

• التعامل مع عدم التوازن: تم تطبيق زيادة العينات للأقلية (Minority oversampling) فقط على مجموعة التدريب للنماذج العميقة؛ بينما استخدم XGBoost فحوصات وزن الفئات.
• ضبط العتبة: تم ضبط العتبات الخاصة بكل نموذج على مجموعة التحقق لتعظيم مقياس F1-score.
• المقاييس: التركيز على F1-score، وPR-AUC، والدقة (Precision)، والاستدعاء (Recall)، جنباً إلى جنب مع الدقة (Accuracy) وROC-AUC.
• فحوصات المتانة: تضمنت الدراسة تدقيقاً لتغطية مجموعة البيانات، وآثار حدود تسمية النوافذ (التحقق من عدم وجود سلبيات هيكلية خاطئة لانحرافات الجماعية بطول 10 عند $\tau=0.15$)، ووزن عدم التوازن في XGBoost، وفترات الثقة لـ Bootstrap.

المساهمات الرئيسية

1. تقييم معياري منضبط: تطوير تقييم معياري قابل لإعادة الإنتاج لمقارنة التمثيلات في السلاليات الزمنية لاستهلاك الكهرباء المنزلية، مما يعزل آثار النماذج التسلسلية الخام، وGAF، والهجين، والإحصائي تحت بروتوكول انحراف اصطناعي مشترك.
2. تصميم خالٍ من تسرب البيانات: وضع سير عمل تجريبي حيث يسبق التقسيم الزمني بناء الانحرافات وتكوين النوافذ، مما يمنع بصرامة تسرب البيانات.
3. دليل تجريبي على التمثيل: تقديم دليل على أن تحويل السلايات الزمنية إلى صور (مثل GAF) لا يتفوق بالضرورة على النمذجة الزمنية المباشرة تحت ظروف معينة من الاضطرابات الاصطناعية وتصميم تسمية النوافذ.
4. تفسير محدود: صياغة النتائج عمداً كـمقارنة لمسارات (التمثيل-النموذج) على تقييم معياري اصطناعي، مع تجنب الادعاءات الصريحة بالتفوق في اكتشاف الأعطال على مستوى الشبكة في العالم الحقيقي.

النتائج

تحت عتبة التحقق المثلى لـ F1، حقق نموذج 1D-CNN الخام أقوى أداء إجمالي:

• الدقة (Accuracy): 0.9528
• الدقة (Precision): 0.9116
• الاستدعاء (Recall): 0.6471
• F1-score: 0.7569
• PR-AUC: 0.7500

ترتيب النماذج:

1. 1D-CNN الخام: أفضل توازن عام بين الحساسية والتحكم في الإنذارات الكاذبة.
2. الدمج الهجين (Hybrid Fusion): جاء في المرتبة الثانية (F1: 0.6908)، متفوقاً بشكل ملحوظ على نماذج GAF وXGBoost المستقلة، مما يشير إلى أن دمج الميزات الصورية والإحصائية يخفف من بعض قيود التعلم القائم على الصور فقط.
3. XGBoost: تنافسي (F1: 0.6445)، مما يؤكد أن الموصِّفات الإحصائية تظل خطوط أساس قوية.
4. GAF-CNN: الأضعف أداءً (F1: 0.5410)، مما يشير إلى أن التحويل الصوري المستقل كان أقل فعالية بالنسبة للانحرافات الموضعية والمتفرقة المحددة في هذا المعيار.

ملاحظات رئيسية:

• حافظ نموذج 1D-CNN الخام على التقلبات المحلية والاعتمادات قصيرة المدى بشكل أكثر فعالية من تحويل GAF، الذي قد يكون قام بتنعيم أو إعادة توزيع الإشارات الزمنية الدقيقة.
• أظهرت جميع النماذج استدعاءً متوسطاً (~60-65%)، مما يشير إلى أن حوالي 35% من النوافذ المنحرفة ظلت غير مكتشفة، وهو ما يعد قيداً حرجاً للنشر التشغيلي.
• تحسن نموذج الدمج الهجين عن GAF-CNN ولكنه لم يتجاوز 1D-CNN الخام، مما يشير إلى أن زيادة التعقيد التمثيلي لا تضمن أداءً فائقاً.

الأهمية والادعاءات

تدعي الورقة أن اختيار التمثيل هو عامل حاسم، وغالباً ما يكون غير مستكشف بشكل كافٍ في أداء اكتشاف الانحرافات. تتحدى الدراسة الافتراض القائل بأن تحويلات السلاسل الزمنية إلى صور (مثل GAF) تحسن القدرة التمييزية عالمياً. بدلاً من ذلك، تثبت أنه بالنسبة للانحرافات النادرة والموزعة محلياً في بيانات الكهرباء المنزلية، يمكن أن تكون النمذجة الزمنية المباشرة (1D-CNN الخام) أكثر فعالية من التعلم القائم على الصور.

تواضع الادعاءات:
يصرح المؤلفون صراحة بأن هذه النتائج ليست دليلاً على التفوق في اكتشاف أعطال الشبكة الحقيقية. تقتصر الدراسة على:

• استخدام تسميات انحراف اصطناعية بدلاً من الأعطال الطبيعية.
• بيانات من منزل واحد، تفتقر إلى طوبولوجيا الشبكة أو ديناميكيات المنازل المتعددة.
• هندسة تسمية النوافذ والاضطرابات المحددة المستخدمة.

لذلك، تكمن أهمية العمل في تقديم مقارنة تجريبية حذرة لاستراتيجيات التمثيل. وهي تجادل بأنه قبل الادعاء بالتفوق المعماري، يجب على الباحثين تقييم مسارات (التمثيل-النموذج) بشكل منهجي تحت ظروف محددة، قابلة لإعادة الإنتاج، وواعية لعدم التوازن. وتشير النتائج إلى أن زيادة التعقيد التمثيلي لا تؤدي تلقائياً إلى اكتشاف أفضل للانحرافات، وأن الاستراتيجية الأكثر ملاءمة يجب تحديدها تجريبياً وفقاً للسياق التشغيلي المحدد.