💻 computer science

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

Cette étude présente un benchmark contrôlé comparant des modèles séquentiels bruts, basés sur l'image (GAF), hybrides et statistiques pour la détection d'anomalies dans la consommation d'électricité domestique, concluant que la modélisation temporelle directe (Raw 1D-CNN) a surpassé les autres approches sous des protocoles de perturbation synthétiques tout en soulignant la nécessité d'une interprétation prudente en raison du périmètre de l'étude limité à un seul foyer et de l'absence d'annotations de fautes réelles.

Auteurs originaux : Şükrü Mustafa Kaya, alireza esmaili jobani

Publié 2026-07-31

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Şükrü Mustafa Kaya, alireza esmaili jobani

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un détective tentant d'attraper un voleur dans une ville géante et bouillonnante. La ville est pleine de bruit : des voitures qui klaxonnent, des gens qui discutent et des lumières qui scintillent. Votre travail est de repérer la personne qui fait quelque chose d'étrange, comme courir à contresens dans une rue à sens unique. Dans le monde de l'informatique, cette « ville » est un flux de données, et le « voleur » est une anomalie — un événement étrange qui ne devrait pas se produire. Ce domaine s'appelle la détection d'anomalies, et il est crucial pour des choses comme la sécurisation des réseaux électriques ou la détection de la fraude.

Pour attraper le voleur, vous avez besoin d'une bonne façon d'examiner les indices. Parfois, vous écoutez les sons bruts de la ville (les données séquentielles brutes). D'autres fois, vous essayez de transformer ces sons en une image, comme un sonogramme ou une carte thermique, en espérant que le bruit bizarre ressemblera à une forme bizarre (c'est ce qu'on appelle la représentation basée sur l'image). Il y a aussi la méthode classique qui consiste simplement à compter combien de voitures sont passées en une heure et à vérifier si ce nombre est étrange (c'est l'apprentissage statistique). La grande question que les scientifiques se sont posée est la suivante : « Est-ce que regarder l'image est meilleur que d'écouter le son brut, ou est-ce que la vieille méthode du comptage est en réalité la plus intelligente ? »

Ce document est comme une expérience contrôlée où les chercheurs ont mis en place une fausse ville avec un faux voleur pour voir quelle méthode de détective fonctionne le mieux. Ils n'ont pas utilisé une vraie ville avec de vrais criminels ; au lieu de cela, ils ont pris un ensemble de données de consommation d'électricité d'une seule maison et ont mathématiquement « injecté » de faux événements bizarres. Ils ont ensuite testé quatre équipes de détectives différentes : une qui écoutait le son brut, une qui regardait l'image, une qui essayait de faire les deux, et une qui se contentait de faire des mathématiques.

Les résultats ont été une petite surprise pour ceux qui aiment les images sophistiquées. L'équipe qui s'est contentée d'écouter le son brut (le Raw 1D-CNN) s'est avérée être le meilleur détective. Elle a attrapé le plus de « voleurs » tout en faisant le moins d'erreurs. L'équipe qui a essayé de transformer le son en une image (le GAF-CNN) a en fait été la moins performante de toutes. Il semble que pour ces petits incidents spécifiques et étranges, transformer les données en une image ait en fait rendu le problème plus difficile à voir, un peu comme si plisser les yeux devant une photo floue pouvait vous faire manquer un détail minuscule qui est pourtant évident quand on regarde l'objet directement.

L'équipe qui a tenté de combiner l'image et les mathématiques (Hybrid Fusion) a fait mieux que l'équipe utilisant uniquement l'image, mais n'a tout de même pas pu battre l'équipe du son brut. Et l'équipe de mathématiques traditionnelle (XGBoost) était en fait assez performante, prouvant qu'on n'a pas toujours besoin d'un supercalculateur pour trouver un problème.

Les auteurs précisent avec prudence que ceci n'est pas une solution miracle pour attraper de vrais criminels dans un vrai réseau électrique. Parce qu'ils ont utilisé une fausse ville et une seule maison, ils ne peuvent pas garantir que leur méthode fonctionne partout. Mais leur expérience suggère fortement que, du moins pour ce type de problème spécifique, vous n'avez pas toujours besoin de transformer vos données en une image sophistiquée pour trouver les méchants. Parfois, la façon la plus simple de regarder les données brutes est en réalité la plus précise.

Résumé Technique : Un Benchmark Contrôlé de Modèles Hybrides et Statistiques de Représentation Brute Séquentielle pour la Détection d'Anomalies Sensibles à la Représentation dans les Séries Temporelles de Consommation d'Électricité Domestique

Problématique

La détection d'anomalies à événements rares dans les séries temporelles multivariées de consommation d'électricité est influencée non seulement par l'architecture du modèle, mais de manière significative par la représentation des données utilisée avant l'apprentissage. Bien que l'apprentissage profond ait progressé, il existe une comparaison contrôlée insuffisante entre le modelage séquentiel brut, les transformations temporelles basées sur l'image (spécifiquement le Gramian Angular Field ou GAF), les stratégies de fusion hybrides et les références statistiques tabulaires.

La littérature existante évalue souvent les représentations basées sur l'image sans comparaisons suffisamment robustes avec les références séquentielles brutes, ou ne clarifie pas si les gains de performance proviennent de la représentation elle-même, de la capacité du modèle ou de protocoles spécifiques de construction d'anomalies. De plus, de nombreuses études supposent que la transformation de données de séries temporelles en images (par exemple, GAF) améliore universellement l'extraction de caractéristiques, une affirmation qui nécessite une validation rigoureuse dans des conditions de déséquilibre et d'événements rares où les déviations temporelles locales fines sont critiques.

Méthodologie

L'étude établit un benchmark contrôlé et exempt de fuite de données utilisant le jeu de données UCI Individual Household Electric Power Consumption. Le design expérimental privilégie la reproductibilité et une séparation stricte des données pour prévenir toute fuite d'information.

1. Données et Prétraitement :

Jeu de données : Un sous-ensemble de 300 000 échantillons ordonnés chronologiquement (210 jours) provenant d'un seul foyer, couvrant sept caractéristiques numériques (puissance active/réactive globale, tension, intensité et trois charges de sous-comptage).
Division : Une division chronologique entraînement-validation-test a été effectuée avant toute injection d'anomalie pour garantir l'intégrité temporelle.
Normalisation : Les paramètres de normalisation min-max ont été ajustés uniquement sur l'ensemble d'entraînement et appliqués aux ensembles de validation et de test.

2. Construction d'Anomalies Synthétiques :
Le jeu de données manquant de labels de fautes naturelles, des perturbations synthétiques contrôlées ont été injectées après la division :

Anomalies Ponctuelles : Pics/chutes aléatoires sur une seule caractéristique (ratio : 0,008).
Anomalies Contextuelles : Décalages additifs locaux au sein de segments courts (ratio : 0,008).
Anomalies Collectives : Sous-séquences soutenues avec des distorsions de type pic-bloc, ligne plate ou inversées (ratio : 0,015).

3. Fenêtrage et Étiquetage :

Fenêtres Glissantes : Fenêtres de longueur 60 avec un pas de 20 ont été générées.
Étiquetage basé sur la Densité : Pour éviter de sur-gonfler la classe d'anomalie, une fenêtre n'était étiquetée comme anormale que si la densité d'anomalie (ratio de points anormaux au sein de la fenêtre) dépassait un seuil de $\tau = 0,15$ . Cela a abouti à un jeu de données modérément déséquilibré (~11 % de ratio d'anomalie).

4. Stratégies de Représentation :
Quatre stratégies de représentation distinctes ont été dérivées des mêmes données fenêtrées :

Séquentiel Brut : Matrice $60 \times 7$ préservant l'ordre temporel original.
Image GAF : Chaque caractéristique est transformée en une image Gramian Angular Field de $60 \times 60$ , empilée en un tenseur de $60 \times 60 \times 7$ .
Descripteurs Statistiques : Un vecteur de 98 dimensions par fenêtre contenant la moyenne, l'écart-type, les percentiles, les différences et les corrélations inter-caractéristiques.

5. Pipelines de Modèles :
Quatre pipelines ont été évalués sous un protocole unifié (mêmes divisions, seuils et métriques) :

1D-CNN Brut : Convolution directe sur les fenêtres séquentielles brutes.
GAF-CNN : Réseau de convolution 2D avec blocs résiduels et attention sur les images GAF.
Fusion Hybride : Concatenation des caractéristiques GAF-CNN et d'une branche de descripteurs statistiques.
XGBoost : Boosting de gradient sur les descripteurs statistiques.

6. Protocole d'Évaluation :

Gestion du Déséquilibre : Le suréchantillonnage de la minorité a été appliqué uniquement à l'ensemble d'entraînement pour les modèles profonds ; XGBoost a utilisé des vérifications de pondération de classe.
Ajustement des Seuils : Les seuils spécifiques aux modèles ont été ajustés sur l'ensemble de validation pour maximiser le F1-score.
Métriques : L'accent est mis sur le F1-score, la PR-AUC, la Précision et le Rappel, parallèlement à l'Exactitude et l'ROC-AUC.
Vérifications de Robustesse : L'étude comprenait des audits de couverture du jeu de données, des effets de bordure de fenêtrage (vérifiant l'absence de faux négatifs structurels pour les anomalies collectives de longueur 10 avec $\tau=0,15$ ), le pondération de déséquilibre de XGBoost et des intervalles de confiance par bootstrap.

Principales Contributions

Benchmark Contrôlé : Développement d'un benchmark de comparaison de représentations reproductible pour les séries temporelles de consommation électrique domestique, isolant les effets de l'apprentissage séquentiel brut, basé sur le GAF, hybride et statistique sous un protocole d'anomalie synthétique partagé.
Conception Exempte de Fuite : Établissement d'un flux de travail expérimental où la division chronologique précède la construction d'anomalies et le fenêtrage, empêchant strictement toute fuite de données.
Preuve Empirique sur la Représentation : Fourniture de preuves que, sous des conceptions spécifiques de perturbation synthétique et d'étiquetage de fenêtre, l'imagerie de séries temporelles basée sur le GAF ne surpasse pas nécessairement le modelage temporel direct.
Interprétation Bornée : Cadrage délibéré des résultats comme une comparaison de pipelines représentation-modèle sur un benchmark synthétique contrôlé, évitant explicitement les affirmations de supériorité pour la détection de fautes à l'échelle du réseau réel.

Résultats

Sous le seuil optimisé de F1 de la validation, le 1D-CNN Brut a obtenu la meilleure performance globale :

Exactitude : 0,9528
Précision : 0,9116
Rappel : 0,6471
F1-score : 0,7569
PR-AUC : 0,7500

Classement des Modèles :

1D-CNN Brut : Meilleur équilibre global de sensibilité et de contrôle des fausses alertes.
Fusion Hybride : Classé deuxième (F1 : 0,6908), surpassant significativement le GAF et XGBoost en mode autonome, suggérant que la fusion des caractéristiques d'image et statistiques atténue certaines limites de l'apprentissage par image seule.
XGBoost : Compétitif (F1 : 0,6445), confirmant que les descripteurs statistiques restent des références solides.
GAF-CNN : Le moins performant (F1 : 0,5410), indiquant que la transformation en image autonome était moins efficace pour les perturbations spécifiques, rares et localisées de ce benchmark.

Observations Clés :

Le 1D-CNN Brut a mieux préservé les fluctuations locales et les dépendances à courte portée que la transformation GAF, qui peut avoir lissé ou redistribué les indices temporels fins.
Tous les modèles ont présenté un rappel modéré (~60-65%), indiquant qu'environ 35 % des fenêtres anormales restaient non détectées, une limitation critique pour un déploiement opérationnel.
Le modèle de Fusion Hybride a amélioré le GAF-CNN mais n'a pas surpassé le 1D-CNN Brut, suggérant que l'ajout de complexité représentationnelle ne garantit pas une performance supérieure.

Signification et Revendications

L'article soutient que le choix de la représentation est un facteur critique et souvent sous-exploré dans la performance de la détection d'anomalies. L'étude remet en question l'hypothèse selon laquelle les transformations de séries temporelles en images (comme le GAF) améliorent universellement la capacité discriminante. Au lieu de cela, elle démontre que pour les anomalies rares et localement distribuées dans les données d'électricité domestique, le modelage temporel direct (1D-CNN Brut) peut être plus efficace que l'apprentissage par image.

Modestie des Revendications :
Les auteurs déclarent explicitement que ces résultats ne sont pas une preuve de supériorité pour la détection d'anomalies sur les réseaux réels. L'étude est limitée par :

L'utilisation de labels d'anomalies synthétiques plutôt que de fautes naturelles.
Des données provenant d'un seul foyer, manquant de la topologie d'un réseau à grande échelle ou de la dynamique multi-foyers.
La géométrie spécifique de l'étiquetage des fenêtres et des perturbations utilisée.

Par conséquent, la signification de ce travail réside dans la fourniture d'une comparaison empirique prudente des stratégies de représentation. Elle soutient qu'avant de revendiquer une supériorité architecturale, les chercheurs doivent évaluer systématiquement les pipelines représentation-modèle dans des conditions explicites, reproductibles et sensibles au déséquilibre. Les résultats suggèrent que l'augmentation de la complexité représentationnelle ne conduit pas automatiquement à une meilleure détection d'anomalies et que la stratégie la plus appropriée doit être déterminée empiriquement pour le contexte opérationnel spécifique.