💻 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

Questo studio presenta un benchmark controllato che confronta modelli sequenziali grezzi, basati su immagini (GAF), ibridi e statistici per il rilevamento di anomalie nel consumo elettrico domestico, riscontrando che la modellazione temporale diretta (Raw 1D-CNN) ha superato gli altri approcci sotto protocolli di perturbazione sintetica, pur sottolineando la necessità di un'interpretazione cauta a causa dell'ambito del dataset limitato a una singola abitazione e della mancanza di annotazioni di guasti del mondo reale.

Autori originali: Şükrü Mustafa Kaya, alireza esmaili jobani

Pubblicato 2026-07-31

📖 3 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Şükrü Mustafa Kaya, alireza esmaili jobani

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere un detective che cerca di catturare un ladro in una città gigante e frenetica. La città è piena di rumore: auto che suonano il clacson, persone che parlano e luci che sfarfallano. Il tuo compito è individuare l'unica persona che fa qualcosa di strano, come correre nel senso sbagliato in una strada a senso unico. Nel mondo dei computer, questa "città" è un flusso di dati, e il "ladro" è un'anomalia — un evento strano che non dovrebbe accadere. Questo campo è chiamato rilevamento delle anomalie (anomaly detection), ed è fondamentale per cose come mantenere sicure le reti elettriche o individuare frodi.

Per catturare il ladro, hai bisogno di un buon modo per esaminare gli indizi. A volte, osservi i suoni grezzi della città (i dati sequenziali grezzi o raw sequential data). Altre volte, potresti cercare di trasformare quei suoni in un'immagine, come un sonogramma o una mappa di calore, sperando che il rumore strano assuma una forma strana (questo è chiamato rappresentazione basata su immagini o image-based representation). C'è poi il metodo della vecchia scuola, che consiste semplicemente nel contare quante auto sono passate in un'ora e controllare se il numero è strano (questo è l'apprendimento statistico o statistical learning). La grande domanda che gli scienziati si sono posti è: "È meglio guardare l'immagine rispetto all'ascoltare il suono grezzo, o il vecchio metodo del conteggio è in realtà il più intelligente?"

Questo articolo è come un esperimento controllato in cui i ricercatori hanno allestito una città finta con un ladro finto per vedere quale metodo investigativo funziona meglio. Non hanno usato una città reale con criminali reali; al contrario, hanno preso un dataset dell'uso di elettricità di una singola casa e hanno "iniettato" matematicamente dei falsi eventi strani. Hanno poi testato quattro diversi team di detective: uno che ascoltava il suono grezzo, uno che guardava l'immagine, uno che cercava di fare entrambe le cose e uno che faceva solo la matematica.

I risultati sono stati un po' una sorpresa per chiunque ami le immagini sofisticate. Il team che ha solo ascoltato il suono grezzo (la Raw 1D-CNN) si è rivelato il miglior detective. Ha catturato il maggior numero di "ladri" commettendo il minor numero di errori. Il team che ha cercato di trasformare il suono in un'immagine (la GAF-CNN) è stato in realtà il peggiore del gruppo. Sembra che per questi glitch specifici e minuscoli, trasformare i dati in un'immagine abbia effettivamente reso più difficile vedere il problema, un po' come se socchiudere gli occhi davanti a una foto sfocata potesse farti perdere un dettaglio minuscolo che è invece ovvio quando guardi l'oggetto direttamente.

Il team che ha cercato di combinare l'immagine e la matematica (Hybrid Fusion) è andato meglio del team basato solo sull'immagine, ma non è riuscito comunque a battere il team del suono grezzo. E il team della matematica della vecchia scuola (XGBoost) è stato in realtà piuttosto bravo, dimostrando che non serve sempre un supercomputer per trovare un problema.

Gli autori avvertono con cura che questo non è un rimedio magico per catturare veri criminali in una vera rete elettrica. Poiché hanno usato una città finta e una singola casa, non possono garantire che il loro metodo funzioni ovunque. Tuttavia, il loro esperimento suggerisce fortemente che, almeno per questo specifico tipo di problema, non è sempre necessario trasformare i propri dati in un'immagine elaborata per trovare i cattivi. A volte, il modo più semplice di guardare i dati grezzi è in realtà il più acuto.

Sintesi Tecnica: Un Benchmark Controllato di Modelli Ibridi e Statistici Basati su Immagini Sequenziali Raw per il Rilevamento di Anomalie Sensibile alla Rappresentazione nel Consumo Elettrico Domestico in Serie Temporali

Definizione del Problema

Il rilevamento di anomalie a eventi rari in serie temporali multivariate di consumo elettrico è influenzato non solo dall'architettura del modello, ma significativamente dalla rappresentazione dei dati utilizzata prima dell'apprendimento. Sebbene il deep learning abbia fatto progressi nel rilevamento delle anomalie, esiste un confronto controllato insufficiente tra la modellazione sequenziale raw, le trasformazioni temporali basate su immagini (specificamente il Gramian Angular Field o GAF), le strategie di fusione ibrida e i baseline statistici tabulari.

La letteratura esistente spesso valuta le rappresentazioni basate su immagini senza un confronto sufficientemente robusto rispetto ai baseline sequenziali raw, oppure non chiarisce se i guadagni di prestazione derivino dalla rappresentazione stessa, dalla capacità del modello o da specifici protocolli di costruzione delle anomalie. Inoltre, molti studi assumono che la trasformazione dei dati di serie temporali in immagini (ad esempio, GAF) migliori universalmente l'estrazione delle caratteristiche, una tesi che richiede una validazione rigorosa in condizioni di sbilanciamento e di eventi rari dove le deviazioni temporali locali fini sono critiche.

Metodologia

Lo studio stabilisce un benchmark controllato e consapevole del leakage (perdita di informazioni) utilizzando il dataset UCI Individual Household Electric Power Consumption. Il design sperimentale privilegia la riproducibilità e una separazione rigorosa dei dati per prevenire il leakage informativo.

1. Dati e Preprocessing:

Dataset: Un sottoinsieme di 300.000 campioni ordinati cronologicamente (210 giorni) da una singola abitazione, che copre sette caratteristiche numeriche (potenza attiva/reattiva globale, tensione, intensità e tre carichi di sotto-misurazione).
Suddivisione (Splitting): La suddivisione cronologica train-validation-test è stata eseguita prima di qualsiasi iniezione di anomalie per garantire l'integrità temporale.
Normalizzazione: I parametri di normalizzazione min-max sono stati adattati esclusivamente sul set di addestramento e applicati ai set di validazione e test.

2. Costruzione delle Anomalie Sintetiche:
Poiché il dataset manca di etichette di guasto naturali, sono state iniettate perturbazioni sintetiche controllate post-suddivisione:

Anomalie di Punto: Picchi/crolli casuali su una singola caratteristica (rapporto: 0,008).
Anomalie Contestuali: Spostamenti additivi locali all'interno di segmenti brevi (rapporto: 0,008).
Anomalie Collettive: Sottosequenze sostenute con distorsioni di tipo spike-block, flatline o inverse (rapporto: 0,015).

3. Windowing e Etichettatura:

Finestre Scorrevoli (Sliding Windows): Sono state generate finestre di lunghezza 60 con un passo (stride) di 20.
Etichettatura basata sulla Densità: Per evitare di gonfiare eccessivamente la classe delle anomalie, una finestra è stata etichettata come anomala solo se la densità dell'anomalia (rapporto di punti anomali all'interno della finestra) superava una soglia di $\tau = 0,15$ . Ciò ha prodotto un dataset moderatamente sbilanciato (~11% di rapporto di anomalie).

4. Strategie di Rappresentazione:
Quattro distinte rappresentazioni di input sono state derivate dagli stessi dati a finestre:

Raw Sequential: Matrice $60 \times 7$ che preserva l'ordine temporale originale.
Immagine GAF: Ogni caratteristica trasformata in un'immagine Gramian Angular Field $60 \times 60$ , impilata in un tensore $60 \times 60 \times 7$ .
Descrittori Statistici: Un vettore di 98 dimensioni per finestra contenente media, deviazione standard, percentili, differenze e correlazioni inter-caratteristica.

5. Pipeline dei Modelli:
Sono state valutate quattro pipeline sotto un protocollo unificato (stessi split, soglie e metriche):

1D-CNN Raw: Convoluzione diretta sulle finestre sequenziali raw.
GAF-CNN: Rete convoluzionale 2D con blocchi residui e attenzione sulle immagini GAF.
Fusione Ibrida (Hybrid Fusion): Concatenazione delle feature GAF-CNN e di un ramo di descrittori statistici.
XGBoost: Gradient boosting sui descrittori statistici.

6. Protocollo di Valutazione:

Gestione dello Sbilanciamento: L'oversampling della classe minoritaria è stato applicato solo al set di addestramento per i modelli deep; XGBoost ha utilizzato controlli di pesatura delle classi.
Tuning della Soglia: Le soglie specifiche per ogni modello sono state ottimizzate sul set di validazione per massimizzare l'F1-score.
Metriche: Enfasi su F1-score, PR-AUC, Precisione e Recall, insieme ad Accuracy e ROC-AUC.
Controlli di Robustezza: Lo studio ha incluso audit per la copertura del dataset, effetti di confine dell'etichettatura delle finestre (verificando l'assenza di falsi negativi strutturali per anomalie collettive di lunghezza 10 con $\tau=0,15$ ), pesatura dell'imbalance di XGBoost e intervalli di confidenza bootstrap.

Contributi Chiave

Benchmark Controllato: Sviluppato un benchmark riproducibile per il confronto delle rappresentazioni per i consumi elettrici domestici, isolando gli effetti della modellazione sequenziale raw, basata su GAF, ibrida e apprendimento statistico sotto un protocollo di anomalie sintetiche condiviso.
Design Consapevole del Leakage: Stabilito un workflow sperimentale in cui la suddivisione cronologica precede la costruzione delle anomalie e il windowing, prevenendo rigorosamente il data leakage.
Evidenza Empirica sulla Rappresentazione: Fornito prove che, sotto specifici design di perturbazione sintetica e di etichettatura delle finestre, la trasformazione in immagini di serie temporali tramite GAF non supera necessariamente la modellazione temporale diretta.
Interpretazione Limitata: Inquadrato deliberatamente i risultati come un confronto di pipeline rappresentazione-modello su un benchmark sintetico controllato, evitando esplicitamente affermazenze di superiorità per il rilevamento di guasti su scala di rete reale.

Risultati

Sotto la soglia ottimizzata per l'F1 nella validazione, la 1D-CNN Raw ha ottenuto le migliori prestazioni complessive:

Accuracy: 0,9528
Precision: 0,9116
Recall: 0,6471
F1-score: 0,7569
PR-AUC: 0,7500

Classifica dei Modelli:

1D-CNN Raw: Miglior equilibrio complessivo tra sensibilità e controllo dei falsi allarmi.
Fusione Ibrida (Hybrid Fusion): Classificata seconda (F1: 0,6908), superando significativamente la GAF standalone e XGBoost, suggerendo che la fusione di feature d'immagine e statistiche mitiga alcuni limiti dell'apprendimento basato solo su immagini.
XGBoost: Competitivo (F1: 0,6445), confermando che i descrittori statistici rimangono baseline solide.
GAF-CNN: Prestazioni più deboli (F1: 0,5410), indicando che la trasformazione basata su immagini standalone era meno efficace per le perturbazioni sparse e localizzate specifiche in questo benchmark.

Osservazioni Chiave:

La 1D-CNN Raw ha preservato le fluttuazioni locali e le dipendenze a breve raggio in modo più efficace rispetto alla trasformazione GAF, che potrebbe aver smussato o ridistribuito i segnali temporali fini.
Tutti i modelli hanno mostrato una recall moderata (~60-65%), indicando che circa il 35% delle finestre anomale rimaneva non rilevato, un limite critico per l'implementazione operativa.
Il modello di Fusione Ibrida ha migliorato la GAF-CNN ma non ha superato la 1D-CNN Raw, suggerendo che l'aggiunta di complessità rappresentativa non garantisce prestazioni superiori.

Significato e Affermazioni

L'articolo sostiene che la scelta della rappresentazione è un fattore critico e spesso sott esplorato nelle prestazioni del rilevamento delle anomalie. Lo studio mette in discussione l'assunto che le trasformazioni da serie temporali a immagini (come GAF) migliorino universalmente la capacità discriminativa. Al contrario, dimostra che per anomalie rare e localizzate nelle distribuzioni domestiche, la modellazione temporale diretta (1D-CNN Raw) può essere più efficace dell'apprendimento basato su immagini.

Modestia delle Affermazioni:
Gli autori dichiarano esplicitamente che questi risultati non sono una prova di superiorità per il rilevamento di anomalie su scala di rete reale. Lo studio è limitato da:

L'uso di etichette di anomalie sintetiche anziché guasti naturali.
Dati provenienti da una singola abitazione, privi di topologia di rete o dinamiche multi-abitazione.
La specifica geometria di etichettatura delle finestre e di perturbazione utilizzata.

Pertanto, il significato del lavoro risiede nel fornire un confronto empirico cauto delle strategie di rappresentazione. Argomenta che prima di rivendicare la superiorità architettonica, i ricercatori devono valutare sistematicamente le pipeline rappresentazione-modello in condizioni esplicite, riproducibili e consapevoli dello sbilanciamento. I risultati suggeriscono che aumentare la complessità rappresentativa non porta automaticamente a un migliore rilevamento delle anomalie e che la strategia più adatta deve essere determinata empiricamente per il contesto operativo specifico.