> For the complete documentation index, see [llms.txt](https://docs.buildings.ability.abb/collection/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.buildings.ability.abb/collection/german/akademie/building-intelligence-ai-and-machine-learning-in-buildingpro-suites/machine-learning/introduction-to-anomaly-detection-in-smart-buildings/foundations-of-anomaly-detection.md). # Grundlagen der Anomalieerkennung Die Anomalieerkennung zielt darauf ab, Beobachtungen oder Muster zu identifizieren, die von dem abweichen, was als normal gilt. Bei Zeitreihen ist dies subtiler als bei statischen Daten. Ein Punkt wird nicht nur anhand seines Werts beurteilt, sondern auch danach, wie er sich auf die Zeit, die umliegenden Beobachtungen, wiederkehrende Muster und das aktuelle Betriebsregime bezieht. Das ist der Grund, warum sich die Anomalieerkennung in Zeitreihen von der gewöhnlichen Ausreißererkennung unterscheidet. Ein Wert kann ungewöhnlich sein, weil er global extrem ist, weil er im falschen Kontext erscheint oder weil er Teil eines ungewöhnlichen Musters über die Zeit ist. Mit anderen Worten: Bei der Anomalieerkennung in Zeitreihen geht es nicht nur um ungewöhnliche Zahlen. Es geht um ungewöhnliches Verhalten. ## Warum sich die Anomalieerkennung in Zeitreihen unterscheidet In einem statischen Datensatz können Beobachtungen oft unabhängig voneinander behandelt werden. In Zeitreihen sind Beobachtungen zeitlich geordnet und hängen gewöhnlich voneinander ab. Dadurch entsteht eine Struktur, die die Anomalieerkennung berücksichtigen muss. Zeitreihen enthalten oft: * zeitliche Abhängigkeiten * wiederkehrende Muster * wechselnde Betriebsregime * langfristige Drift * abrupte Veränderungen * wiederholte Anomalie-Muster Deshalb ist Normalität selten einfach nur ein fester Wertebereich. Stattdessen wird sie oft relativ zu dem definiert, was zuvor passiert ist, was zu dieser Zeit normalerweise geschieht und was der umliegende Kontext nahelegt ## Dimensionalität und Normalitätsregime Zwei Konzepte sind für das Verständnis der Anomalieerkennung in Zeitreihen besonders wichtig: **Dimensionalität** als auch **Normalitätsregime**. ### Dimensionalität Eine Zeitreihe kann **univariat** oder **multivariat**. Eine univariate Zeitreihe enthält eine Variable, zum Beispiel einen Zähler, ein Temperatursignal oder eine Druckmessung. Eine multivariate Zeitreihe enthält mehrere Variablen, die gemeinsam beobachtet werden. Diese Variablen können miteinander in Beziehung stehen, und ihre Beziehungen können helfen, normales von abnormalem Verhalten zu unterscheiden. **Was das für die Anomalieerkennung bedeutet:**\ In univariaten Settings werden Anomalien allein aus dem Verhalten eines Signals erkannt. In multivariaten Settings können Anomalien auch aus ungewöhnlichen Beziehungen zwischen Signalen entstehen, nicht nur aus ungewöhnlichen Werten in einem Signal. ### Normalitätsregime Normales Verhalten kann auch verschiedene Formen annehmen. Manche Zeitreihen haben ein dominierendes Verständnis von Normalität. Andere haben mehrere. Ein **ein-Regime-** Zeitreihe hat ein einziges zentrales normales Muster. Ein **multi-Regime-** Zeitreihe hat mehrere gültige Modi des normalen Verhaltens. Diese Modi können durch Zeit, Kontext, Steuerungszustand, Belegung, Jahreszeit oder äußere Bedingungen bestimmt sein. **Was das für die Anomalieerkennung bedeutet:**\ Je mehr Regime ein System hat, desto sorgfältiger muss die Anomalieerkennung sein. Ein Wert kann in einem Regime völlig normal und in einem anderen anomal sein.
*** ## Multivariate und Multi-Target-Zeitreihen In der Anomalieerkennung wird das Wort **multivariat** manchmal in zwei leicht unterschiedlichen Bedeutungen verwendet. In einer Interpretation wird ein Haupt-Zielsignal gemeinsam mit mehreren Kontextvariablen analysiert. Diese zusätzlichen Variablen helfen zu erklären, wie normales Verhalten aussehen sollte. Das ist oft die nützlichste Interpretation für die kontextbezogene Anomalieerkennung. In einer anderen Interpretation werden mehrere Signale gemeinsam als gleichwertige Ziele modelliert. Das lässt sich besser als **Multi-Target-** oder **Multi-Sensor-** Modellierung beschreiben. Diese Unterscheidung ist wichtig, weil das Ziel nicht immer dasselbe ist. Manchmal geht es bei der Anomalieerkennung darum zu prüfen, ob sich ein primäres Signal in seinem Kontext noch normal verhält. In anderen Fällen geht es darum, ungewöhnliches gemeinsames Verhalten über mehrere Zielsig­nale hinweg gleichzeitig zu erkennen. **Was das für die Anomalieerkennung bedeutet:**\ Bevor man eine Methode auswählt, ist es wichtig, die Aufgabe klar zu beschreiben. Bewerten wir ein Hauptsignal mit Kontext oder erkennen wir Anomalien über mehrere Zielsig­nale gemeinsam hinweg? *** ## Strukturelle Klassen von Anomalien Anomalien in Zeitreihen haben nicht alle dieselbe Form. Eine nützliche Grundlage ist, zwischen verschiedenen strukturellen Klassen zu unterscheiden. ### Punktanomalien Eine Punktanomalie ist eine einzelne Beobachtung, die von dem erwarteten Verhalten abweicht. Manche Punktanomalien sind leicht zu erkennen, weil sie im globalen Sinn extrem sind. Andere sind nur in einem eher lokalen oder kontextbezogenen Sinn ungewöhnlich.
### Globale Punktanomalien Eine globale Punktanomalie liegt außerhalb des gesamten historischen Bereichs oder außerhalb dessen, was im gesamten Datensatz normalerweise beobachtet wird. **Beispiel:** * ein plötzlicher Ausschlag weit über alles hinaus, was normalerweise gesehen wird ### Kontextbezogene Punktanomalien Eine kontextbezogene Punktanomalie muss nicht global extrem sein, ist aber für die aktuelle Situation ungewöhnlich. **Beispiele:** * ein Wert, der tagsüber normal, aber nachts anomal ist * ein Muster, das einem Werktag ähnelt und an einem Feiertag auftritt Kontextbezogene Anomalien sind in Zeitreihen besonders wichtig, weil Normalität oft von Zeit und Kontext abhängt. ### Subsequenzanomalien Eine Subsequenzanomalie wird nicht durch einen einzelnen Punkt definiert, sondern durch ein Muster über die Zeit. Das Problem kann in der Form, Dauer oder dem Timing einer Sequenz liegen und nicht in einem einzelnen isolierten Wert. **Beispiele:** * ein ungewöhnliches Anstiegsverlaufsmuster * ein wiederkehrendes nächtliches Abfallmuster * eine anhaltende Abweichung über mehrere Stunden **Was das für die Anomalieerkennung bedeutet:**\ Eine nützliche Methode für Zeitreihen sollte nicht nur isolierte Ausschläge erkennen. Sie sollte auch Anomalien identifizieren, die sich als kontextbezogene Verstöße oder ungewöhnliche zeitliche Muster zeigen. ## Häufigkeit des Auftretens Eine weitere nützliche Unterscheidung ist, wie Anomalien über die Zeit auftreten. #### Einzelanomalien Dies sind isolierte anomalische Ereignisse. #### Mehrere ähnliche Anomalien Dies sind wiederholte Vorkommen desselben oder eines sehr ähnlichen Anomalie-Musters. #### Mehrere unterschiedliche Anomalien Dies sind mehrere Anomalietypen, die im selben breiteren Zeitraum auftreten. **Was das für die Anomalieerkennung bedeutet:**\ Wiederholte Anomalien sind oft aussagekräftiger als einzelne, weil sie auf ein systematisches Problem hindeuten können. Gleichzeitig können mehrere unterschiedliche Anomalien die Interpretation erschweren, weil ein beobachtetes Problem sich mit anderen überschneiden kann. *** ## Lernparadigmen Anomalieerkennungsverfahren unterscheiden sich auch darin, wie sie lernen, wie normales Verhalten aussieht.
### Überwachtes Lernen Bei der überwachten Anomalieerkennung wird das Verfahren mit gelabelten Beispielen von normalem und anomalem Verhalten trainiert. Das ist theoretisch attraktiv, in der Praxis jedoch oft schwierig, weil Anomalie-Labels teuer, unvollständig oder nicht verfügbar sind. ### Semi-überwachtes Lernen Bei der semi-überwachten Anomalieerkennung lernt das Verfahren hauptsächlich aus Daten, die als überwiegend normal angenommen werden. Das ist oft die praktischste Konfiguration in realen Anwendungen, weil historische Daten meist verfügbar sind, auch wenn explizite Anomalie-Labels es nicht sind. ### Unüberwachtes Lernen Bei der unüberwachten Anomalieerkennung versucht das Verfahren, ungewöhnliches Verhalten ohne gelabelte normale oder anomale Beispiele zu identifizieren. Das ist nützlich, wenn nur wenige Vorinformationen verfügbar sind, kann aber Interpretation und Bewertung erschweren. **Was das für die Anomalieerkennung bedeutet:**\ Die Lernkonfiguration beeinflusst stark, welche Methoden praktikabel sind. In vielen realen Zeitreihenanwendungen, besonders im operativen Bereich, beginnt die Anomalieerkennung mit überwiegend unlabeled historischen Daten statt mit vollständig gelabelten Datensätzen. *** ## Breite Familien von Anomalieerkennungsverfahren Auf hoher Ebene können Anomalieerkennungsverfahren in breite Methodenfamilien eingeteilt werden, je nachdem, wie sie Normalität und Abweichung definieren. ### Distanzbasierte Verfahren Distanzbasierte Verfahren erkennen Anomalien über Unähnlichkeit. Ein Punkt oder eine Subsequenz gilt als anomal, wenn er bzw. sie weit von anderen beobachteten Mustern entfernt ist. Diese Verfahren sind oft nützlich, um ungewöhnliche Formen oder Subsequenzen zu identifizieren. ### Dichtebasierte Verfahren Dichtebasierte Verfahren erkennen Anomalien als Beobachtungen oder Sequenzen, die in Bereichen geringer Dichte des Datenraums liegen. Diese Verfahren sind nützlich, wenn Anomalieerkennung als Problem der Identifikation unwahrscheinlichen Verhaltens formuliert wird. ### Vorhersagebasierte Verfahren Vorhersagebasierte Verfahren definieren Anomalien als Abweichungen zwischen erwartetem und beobachtetem Verhalten. Dazu gehören prognosebasierte Ansätze und rekonstruktionsbasierte Ansätze. Diese Verfahren sind oft besonders intuitiv, weil sie eine explizite Vorstellung davon liefern, was hätte passieren sollen, und dies mit dem vergleichen, was tatsächlich passiert ist. **Was das für die Anomalieerkennung bedeutet:**\ Verschiedene Methodenfamilien eignen sich für unterschiedliche Anomalietypen und unterschiedliche operative Ziele. Die richtige Wahl hängt davon ab, ob die Aufgabe hauptsächlich um ungewöhnliche Werte, ungewöhnliche Muster, unwahrscheinliche Strukturen oder Abweichungen von einer erwarteten Basislinie geht.
*** ## Warum diese Grundlagen wichtig sind Diese Grundlagen zeigen, dass Anomalieerkennung in Zeitreihen nicht nur eine einzige Technik ist. Sie ist eine umfassendere Art, über ungewöhnliches Verhalten in zeitlichen Daten nachzudenken. Um eine Methode auszuwählen oder zu verstehen, hilft es, sich zu fragen: * Ist das Problem univariat oder multivariat? * Ist die Normalität ein-Regime oder multi-Regime? * Sind die Anomalien eher isolierte Punkte oder zeitliche Muster? * Sind Labels verfügbar? * Besteht das Ziel darin, ungewöhnliche Struktur, unwahrscheinliches Verhalten oder Abweichungen von erwartetem Verhalten zu erkennen? Diese Fragen bestimmen, wie die Anomalieerkennung angegangen werden sollte. ## Fazit Wie Sie sehen können, ist die Anomalieerkennung in Zeitreihen komplexer, als einfach nur ungewöhnliche Werte zu finden. Sie hängt davon ab, wie Normalität definiert wird, ob Kontext eine Rolle spielt, welche Art von Anomalie erkannt werden muss und wie viele gelabelte Daten verfügbar sind. Ein nützlicher Ansatz muss daher sowohl zur Struktur der Daten als auch zur Art des Anomalieproblems passen. --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter: ``` GET https://docs.buildings.ability.abb/collection/german/akademie/building-intelligence-ai-and-machine-learning-in-buildingpro-suites/machine-learning/introduction-to-anomaly-detection-in-smart-buildings/foundations-of-anomaly-detection.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.