💻 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

Este estudo apresenta um benchmark controlado comparando modelos sequenciais brutos, baseados em imagem (GAF), híbridos e estatísticos para a detecção de anomalias no consumo de eletricidade doméstica, constatando que a modelagem temporal direta (Raw 1D-CNN) superou outras abordagens sob protocolos de perturbação sintética, ao mesmo tempo em que enfatiza a necessidade de uma interpretação cautelosa devido ao escopo de residência única do conjunto de dados e à falta de anotações de falhas do mundo real.

Autores originais: Şükrü Mustafa Kaya, alireza esmaili jobani

Publicado 2026-07-31

📖 3 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Şükrü Mustafa Kaya, alireza esmaili jobani

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um detetive tentando pegar um ladrão em uma cidade gigante e movimentada. A cidade está cheia de barulho: carros buzinando, pessoas conversando e luzes piscando. Seu trabalho é avistar a única pessoa fazendo algo estranho, como correr na contramão em uma rua de mão única. No mundo dos computadores, essa "cidade" é um fluxo de dados, e o "ladrão" é uma anomalia — um evento estranho que não deveria acontecer. Este campo é chamado de detecção de anomalias e é crucial para coisas como manter as redes elétricas seguras ou detectar fraudes.

Para pegar o ladrão, você precisa de uma boa maneira de observar as pistas. Às vezes, você observa os sons brutos da cidade (os dados sequenciais brutos). Outras vezes, você pode tentar transformar esses sons em uma imagem, como um sonograma ou um mapa de calor, esperando que o ruído estranho pareça uma forma estranha (isso é chamado de representação baseada em imagem). Há também o método à moda antiga de apenas contar quantos carros passaram em uma hora e verificar se o número é estranho (isso é aprendizado estatístico). A grande questão que os cientistas têm feito é: "Olhar para a imagem é melhor do que ouvir o som bruto, ou o método de contagem à moda antiga é, na verdade, o mais inteligente?"

Este artigo é como um experimento controlado onde os pesquisadores montaram uma cidade falsa com um ladrão falso para ver qual método de detetive funciona melhor. Eles não usaram uma cidade real com criminosos reais; em vez disso, pegaram um conjunto de dados de uso de eletricidade de uma única casa e matematicamente "injetaram" eventos estranhos falsos nela. Eles então testaram quatro equipes de detetives diferentes: uma que ouviu o som bruto, uma que olhou para a imagem, uma que tentou fazer ambos e uma que apenas fez a matemática.

Os resultados foram um pouco surpreendentes para qualquer um que ame imagens sofisticadas. A equipe que apenas ouviu o som bruto (o Raw 1D-CNN) acabou sendo o melhor detetive. Ela pegou o maior número de "ladrões" enquanto cometia o menor número de erros. A equipe que tentou transformar o som em uma imagem (o GAF-CNN) na verdade teve o pior desempenho de todos. Parece que, para esses problemas específicos e minúsculos, transformar os dados em uma imagem na verdade tornou mais difícil ver o problema, como se apertar os olhos para olhar uma foto borrada pudesse fazer você perder um detalhe minúsculo que é óbvio quando você olha diretamente para o objeto.

A equipe que tentou combinar a imagem e a matemática (Hybrid Fusion) teve um desempenho melhor do que a equipe de apenas imagem, mas ainda não conseguiu superar a equipe do som bruto. E a equipe da matemática à moda antiga (XGBoost) foi, na verdade, muito boa, provando que você nem sempre precisa de um supercomputador para encontrar um problema.

Os autores são cuidadosos ao dizer que isso não é uma solução mágica para pegar criminosos do mundo real em uma rede elétrica real. Como eles usaram uma cidade falsa e uma única casa, eles não podem prometer que seu método funcione em todos os lugares. Mas o experimento deles sugere fortemente que, pelo menos para este tipo específico de problema, você nem sempre precisa transformar seus dados em uma imagem sofisticada para encontrar os vilões. Às vezes, a maneira mais simples de olhar para os dados brutos é, de fato, a mais aguçada.

Resumo Técnico: Um Benchmark Controlado de Modelos Híbridos e Estatísticos de Representação de Imagem Sequencial Bruta para Detecção de Anomalias Consciente de Representação em Séries Temporais de Consumo de Eletricidade Doméstica

Definição do Problema

A detecção de anomalias de eventos raros em séries temporais multivariadas de consumo de eletricidade é influenciada não apenas pela arquitetura do modelo, mas significamente pela representação de dados utilizada antes do aprendizado. Embora o aprendizado profundo tenha avançado na detecção de anomalias, há uma comparação controlada insuficiente entre a modelagem sequencial bruta, transformações temporais baseadas em imagem (especificamente Gramian Angular Field ou GAF), estratégias de fusão híbrida e baselines estatísticos tabulares.

A literatura existente frequentemente avalia representações baseadas em imagens sem comparações suficientemente robustas contra baselines sequenciais brutos ou falha em esclarecer se os ganhos de desempenho advêm da representação em si, da capacidade do modelo ou de protocolos específicos de construção de anomalias. Além disso, muitos estudos assumem que transformar dados de séries temporais em imagens (por exemplo, GAF) melhora universalmente a extração de características, uma afirmação que requer validação rigorosa sob condições de desequilíbrio e eventos raros, onde desvios temporais locais refinados são críticos.

Metodologia

O estudo estabelece um benchmark controlado e consciente de vazamento (leakage-aware) utilizando o conjunto de dados UCI Individual Household Electric Power Consumption. O design experimental prioriza a reprodutibilidade e a separação estrita de dados para evitar o vazamento de informações.

1. Dados e Pré-processamento:

Conjunto de Dados: Um subconjunto de 300.000 amostras ordenadas cronologicamente (210 dias) de uma única residência, cobrindo sete características numéricas (Potência ativa/reativa global, Voltagem, Intensidade e três cargas de submedição).
Divisão (Splitting): A divisão cronológica de treino-validação-teste foi realizada antes de qualquer injeção de anomalia para garantir a integridade temporal.
Normalização: Os parâmetros de normalização min-max foram ajustados exclusivamente no conjunto de treinamento e aplicados aos conjuntos de validação e teste.

2. Construção de Anomalias Sintéticas:
Como o conjunto de dados carece de rótulos de falhas naturais, perturbações sintéticas controladas foram injetadas após a divisão:

Anomalias de Ponto: Picos/quedas aleatórios em uma única característica (razão: 0,008).
Anomalias de Contexto: Deslocamentos aditivos locais dentro de segmentos curtos (razão: 0,008).
Anomalias Coletivas: Subsequências sustentadas com distorções de bloco de pico, linha constante ou inversas (razão: 0,015).

3. Janelamento e Rotulagem:

Janelas Deslizantes: Janelas de comprimento 60 com um stride de 20 foram geradas.
Rotulagem Baseada em Densidade: Para evitar a inflação excessiva da classe anômala, uma janela foi rotulada como anômala apenas se a densidade de anomalia (razão de pontos anômalos dentro da janela) excedesse um limiar de $\tau = 0,15$ . Isso resultou em um conjunto de dados moderadamente desequilibrado (~11% de razão de anomalia).

4. Estratégias de Representação:
Quatro estratégias distintas de representação foram derivadas dos mesmos dados em janelas:

Sequencial Bruta (Raw Sequential): Matriz $60 \times 7$ preservando a ordem temporal original.
Imagem GAF: Cada característica transformada em uma imagem Gramian Angular Field de $60 \times 60$ , empilhada em um tensor de $60 \times 60 \times 7$ .
Descritores Estatísticos: Um vetor de 98 dimensões por janela contendo média, desvio padrão, percentis, diferenças e correlações entre características.

5. Pipelines de Modelos:
Quatro pipelines foram avaliados sob um protocolo unificado (mesmas divisões, limiares e métricas):

1D-CNN Bruta: Convolução direta sobre as janelas sequenciais brutas.
GAF-CNN: Rede convolucional 2D com blocos residuais e atenção sobre as imagens GAF.
Fusão Híbrida: Concatenação das características da GAF-CNN e de um ramo de descritores estatísticos.
XGBoost: Gradient boosting sobre descritores estatísticos.

6. Protocolo de Avaliação:

Tratamento de Desequilíbrio: O oversampling da classe minoritária foi aplicado apenas ao conjunto de treinamento para modelos profundos; o XGBoost utilizou verificações de ponderação de classe.
Ajuste de Limiar: Os limiares específicos de cada modelo foram ajustados no conjunto de validação para maximizar o F1-score.
Métricas: Ênfase em F1-score, PR-AUC, Precisão e Recall, além de Acurácia e ROC-AUC.
Verificações de Robustez: O estudo incluiu auditorias de cobertura do dataset, efeitos de borda de rotulagem de janela (verificando a ausência de falsos negativos estruturais para anomalias coletivas de comprimento-10 em $\tau=0,15$ ), ponderação de desequilíbrio do XGBoost e intervalos de confiança de bootstrap.

Principais Contribuições

Benchmark Controlado: Desenvolveu um benchmark reprodutível de comparação de representação para séries temporais de consumo de eletricidade doméstica, isolando os efeitos de aprendizado sequencial bruto, baseado em GAF, híbrido e estatístico sob um protocolo compartilhado de anomalia sintética.
Design Consciente de Vazamento: Estabeleceu um fluxo de trabalho experimental onde a divisão cronológica precede a construção de anomalias e o janelamento, prevenindo estritamente o vazamento de dados.
Evidência Empírica sobre Representação: Forneceu evidências de que, sob design específico de perturbação sintética e rotulagem de janela, a transformação de séries temporais em imagens (como GAF) não supera necessariamente a modelagem temporal direta.
Interpretação Limitada: Enquadrou deliberadamente os resultados como uma comparação de pipelines de representação-modelo em um benchmark sintético controlado, evitando explicitamente afirmações de superioridade para detecção de falhas em escala de rede real.

Resultados

Sob o limiar otimizado de F1 na validação, a 1D-CNN Bruta alcançou o melhor desempenho geral:

Acurácia: 0,9528
Precisão: 0,9116
Recall: 0,6471
F1-score: 0,7569
PR-AUC: 0,7500

Ranking de Modelos:

1D-CNN Bruta: Melhor equilíbrio geral de sensibilidade e controle de falsos alarmes.
Fusão Híbrida: Ficou em segundo lugar (F1: 0,6908), superando significativamente a GAF e o XGBoost isolados, sugerindo que a fusão de características de imagem e estatísticas mitiga algumas limitações do aprendizado apenas por imagem.
XGBoost: Competitivo (F1: 0,6445), confirmando que descritores estatísticos permanecem como baselines fortes.
GAF-CNN: Desempenho mais fraco (F1: 0,5410), indicando que a transformação baseada em imagem isolada foi menos eficaz para as perturbações específicas, esparsas e localizadas deste benchmark.

Observações Chave:

A 1D-CNN Bruta preservou as flutuações locais e dependências de curto alcance de forma mais eficaz do que a transformação GAF, que pode ter suavizado ou redistribuído pistas temporais refinadas.
Todos os modelos exibiram recall moderado (~60-65%), indicando que aproximadamente 35% das janelas anômalas permaneceram não detectadas, uma limitação crítica para implantação operacional.
O modelo de Fusão Híbrida melhorou em relação à GAF-CNN, mas não superou a 1D-CNN Bruta, sugerindo que o aumento da complexidade representacional não garante desempenho superior.

Significância e Alegações

O artigo afirma que a escolha da representação é um fator crítico e frequentemente subexplorado no desempenho da detecção de anomalias. O estudo desafia a suposição de que transformações de série temporal para imagem (como GAF) melhoram universalmente a capacidade discriminativa. Em vez disso, demonstra que, para anomalias raras e localmente distribuídas em dados de eletricidade doméstica, a modelagem temporal direta (1D-CNN Bruta) pode ser mais eficaz do que o aprendizado baseado em imagens transformadas.

Modéstia das Alegações:
Os autores declaram explicitamente que estes achados não são prova de superioridade para detecção de anomalias em redes reais. O estudo é limitado por:

O uso de rótulos de anomalias sintéticas em vez de falhas naturalmente ocorrentes.
Dados de uma única residência, carecendo de topologia de rede ou dinâmica multi-residencial.
A geometria específica de rotulagem de janela e perturbação utilizada.

Portanto, a significância do trabalho reside em fornecer uma comparação empírica cautelosa de estratégias de representação. Argumenta-se que, antes de reivindicar superioridade arquitetônica, os pesquisadores devem avaliar sistematicamente os pipelines de representação-modelo sob condições explícitas, reprodutíveis e conscientes de desequilíbrio. Os resultados sugerem que aumentar a complexidade representacional não leva automaticamente a uma melhor detecção de anomalias e que a estratégia mais adequada deve ser determinada empiricamente para o contexto operacional específico.