Deteccion temprana de anomalias en secuencias de datos espacio - temporales

El aumento de objetos y sensores interconectados digitalmente ha provocado un incremento exponencial en la disponibilidad de series de datos que se transmiten en tiempo real. El internet de las cosas (IdC) ha impulsado este apogeo así como la disponibilidad de un número enorme de aplicaciones con sensores que producen datos importantes que cambian en el tiempo. El análisis de estas secuencias de datos puede entregar información y conclusiones importantes para cualquier caso de uso y aplicación, en particular la detección de anomalías. El objetivo de esta propuesta es desarrollar una metodología para detectar en tiempo real y de manera temprana anomalías en secuencias de datos espacio-temporales y afectadas por ruido. Las etapas para lograr esto consisten en: (i) el desarrollo de un modelo probabilístico paramétrico basado en mezclas de gaussianas escaladas que representen las distribuiciones de coeficientes wavelets extraídos de ventanas espacio temporales de la secuencia de datos (ii) la construcción de un modelo que permita aprender la secuencia de datos de entrada en tiempo real y predecir una anomalía posible (iii) la evaluación de metodología propuesta en bases de datos usadas para el benchmarking de algoritmos de detección de anomalías en datos espacio temporales y comparar el desempeño con enfoques del estado del arte