📈 時系列の異常検知 まとめ【異常検知 × 時系列 × AI】
✅ はじめに
時系列データは多くの現場（製造・金融・IoT・医療）で蓄積されており、その異常検知は重要なテーマです。
この記事では、時系列異常検知の考え方・代表的手法・実装ポイントを体系的にまとめます。
※本記事は生成AIを活用しています。
🧠 1. 時系列異常検知とは？
通常の異常検知とは異なり、時系列異常検知では以下の特徴があります：
- データに**時間的な依存性（自己相関・季節性など）**がある
- 異常の種類が多様（スパイク、ドリフト、変化点、周期の乱れなど）
- ラベル付きデータが少ない or 無い（教師なしが多い）
🚨 2. 異常のタイプ
| 種類 | 説明 | 例 |
|---|---|---|
| スパイク型 | 一時的に異常な値が現れる | センサの瞬間的な異常値 |
| レベル変化 | ある時点から平均値が変化 | 機器の設定ミスなど |
| ドリフト型 | 徐々に値が上昇／下降 | 劣化や経年変化 |
| パターン逸脱 | 過去と異なる挙動を示す | 異常なシフトパターン |
🛠 3. 代表的な手法カテゴリ
🔹 3.1 統計的手法（軽量で解釈性あり）
- 移動平均＋しきい値
- ARIMA（自己回帰移動平均）
- 季節性分解（STL分解）
from statsmodels.tsa.seasonal import STL
res = STL(series, period=24).fit()
res.plot()
🔹 3.3 深層学習ベース（時系列に強い）
| モデル | 特徴 |
|---|---|
| LSTM-AutoEncoder | 入力を復元しにくい箇所＝異常として検出 |
| Variational AutoEncoder | 潜在空間の分布に基づいて異常スコアを算出 |
| Transformer系 | 長期依存を捉えられる（例：Anomaly Transformer など） |
| GDN（Graph Deviation Network） | 複数センサ間の関係をグラフ構造で学習し、異常検出性能を向上 |
💡 4. 評価指標と注意点
- Precision / Recall / F1-score
- AUC-ROC / PR曲線（※データが不均衡な場合はPR曲線が有効）
-
異常スコアのしきい値設定が難しい
- 正規分布仮定
- IQR（四分位範囲）法
- 層別ヒストグラムによるクラスタごとの設定
📊 5. 有名な時系列データセット
| 名称 | 説明 | リンク |
|---|---|---|
| NAB | 実世界の時系列＋ラベル付き | Numenta/NAB |
| Yahoo A1 | Webトラフィックの異常検知データ | Yahoo Anomaly Dataset |
| SWaT | 水処理インフラのサイバー攻撃検出 | SWaT Dataset |
🔁 6. 応用分野と実運用のポイント
- 製造：設備監視、予知保全（例：MCC / PLCログの異常検出）
- 金融：不正取引、株価の異常変動など
- 医療：心拍数・呼吸・脳波などの生体信号の異常検出
✅ ノイズ・欠損・外れ値処理が重要！
→ 欠損補完、デノイジング、適切なウィンドウサイズの選定が性能に直結します。
📘 7. 参考論文・記事
- Deep Learning for Time Series Anomaly Detection（Amazon Research）
- Graph Deviation Network for Multivariate Time Series Anomaly Detection
- Qiita記事：異常検知と変化検知」読書メモシリーズ
📝 まとめ
- 時系列異常検知では、時間依存性や多様な異常パターンに注目すべき。
- 手法は 統計 → 機械学習 → 深層学習と段階的に導入できる。
- 実データでは、可視化・前処理・評価方法の選定が成果を左右する。
✨ 関連記事（投稿予定）
- GDN（Graphベース異常検知）の実装解説
- LiNGAMなどを用いた因果分析と異常要因特定
- 時系列異常検知 × Explainable AI（SHAPやAttentionで解釈）
🧑🔬 本記事は、製造業のデータサイエンティストとしての実務＋研究の経験をもとにまとめました。
異常検知や因果推論に関心のある方、ぜひコメント・フィードバックお待ちしています！