> 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-ki-und-maschinelles-lernen-in-buildingpro-suites/maschinelles-lernen/einfuhrung-in-die-anomalieerkennung-in-intelligenten-gebauden/grundlagen-der-anomalieerkennung.md). # Grundlagen der Anomalieerkennung Die Anomalieerkennung zielt darauf ab, Beobachtungen oder Muster zu identifizieren, die vom als normal geltenden Zustand abweichen. Bei Zeitreihen ist dies subtiler als bei statischen Daten. Ein Punkt wird nicht nur anhand seines Werts bewertet, sondern auch danach, wie er sich auf die Zeit, umliegende Beobachtungen, wiederkehrende Muster und den aktuellen Betriebszustand bezieht. Dies macht die Anomalieerkennung in Zeitreihen anders als die gewöhnliche Ausreißererkennung. 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. Anders gesagt: Anomalieerkennung in Zeitreihen geht 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 in der Regel voneinander ab. Dadurch entsteht eine Struktur, die die Anomalieerkennung berücksichtigen muss. Zeitreihen enthalten oft: * zeitliche Abhängigkeit * wiederkehrende Muster * wechselnde Betriebszustände * langfristige Drift * abrupte Änderungen * wiederholte Anomalie-Muster Deshalb ist Normalität selten nur ein fester Wertebereich. Stattdessen wird sie oft relativ zu dem definiert, was zuvor passiert ist, was zu diesem Zeitpunkt normalerweise geschieht und was der umgebende Kontext nahelegt. ## Dimensionalität und Normalitätsregime Zwei Ideen sind besonders wichtig, um die Anomalieerkennung in Zeitreihen zu verstehen: **Dimensionalität** und **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 zusammenhängen, und ihre Beziehungen können helfen, normales von anomalem Verhalten zu unterscheiden. **Was dies für die Anomalieerkennung bedeutet:**\ In univariaten Settings werden Anomalien allein anhand des Verhaltens 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 unterschiedliche Formen annehmen. Einige Zeitreihen haben ein einziges dominantes Verständnis von Normalität. Andere haben mehrere. Eine **mit nur einem Regime** Zeitreihe hat ein einziges zentrales normales Muster. Eine **mit mehreren Regimen** Zeitreihe hat mehrere gültige Modi des normalen Verhaltens. Diese Modi können durch Zeit, Kontext, Steuerungszustand, Belegung, Jahreszeit oder äußere Bedingungen bestimmt werden. **Was dies 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 zentrales Zielsignal zusammen mit mehreren Kontextvariablen analysiert. Diese zusätzlichen Variablen helfen zu erklären, wie normales Verhalten aussehen sollte. Dies ist oft die nützlichste Interpretation für die kontextuelle Anomalieerkennung. In einer anderen Interpretation werden mehrere Signale gemeinsam als gleichberechtigte Ziele modelliert. Dies lässt sich besser als **Multi-Target** oder **Multi-Sensor** Modellierung. 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 angesichts seines Kontexts noch normal verhält. In anderen Fällen geht es darum, ungewöhnliches gemeinsames Verhalten über mehrere Zielsignale hinweg gleichzeitig zu erkennen. **Was dies für die Anomalieerkennung bedeutet:**\ Bevor man eine Methode auswählt, ist es wichtig, die Aufgabe klar zu definieren. Bewerten wir ein zentrales Signal mit Kontext, oder erkennen wir Anomalien gemeinsam über mehrere Zielsignale hinweg? *** ## Strukturelle Klassen von Anomalien Anomalien in Zeitreihen haben nicht alle dieselbe Form. Eine nützliche Grundlage ist es, zwischen verschiedenen strukturellen Klassen zu unterscheiden. ### Punktanomalien Eine Punktanomalie ist eine einzelne Beobachtung, die vom erwarteten Verhalten abweicht. Einige Punktanomalien sind leicht zu erkennen, weil sie im globalen Sinne extrem sind. Andere sind nur in einem eher lokalen oder kontextuellen Sinne ungewöhnlich.
### Globale Punktanomalien Eine globale Punktanomalie liegt außerhalb des gesamten historischen Bereichs oder außerhalb dessen, was im vollständigen Datensatz normalerweise beobachtet wird. **Beispiel:** * ein plötzlicher Ausschlag weit über allem, was normalerweise gesehen wird ### Kontextuelle Punktanomalien Eine kontextuelle Punktanomalie muss nicht global extrem sein, ist aber für die aktuelle Situation ungewöhnlich. **Beispiele:** * ein Wert, der tagsüber normal ist, aber nachts anomal * ein werktagsähnliches Muster, das an einem Feiertag auftritt Kontextuelle Anomalien sind besonders wichtig in Zeitreihen, 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, der Dauer oder dem Timing einer Sequenz liegen, statt in einem einzelnen isolierten Wert. **Beispiele:** * ein ungewöhnliches Anstiegsrampen-Muster * ein wiederkehrendes nächtliches Abfallmuster * eine anhaltende Abweichung über mehrere Stunden **Was dies für die Anomalieerkennung bedeutet:**\ Eine nützliche Methode für Zeitreihen sollte nicht nur isolierte Spitzen erfassen. Sie sollte auch Anomalien erkennen, die sich als kontextuelle Verstöße oder ungewöhnliche zeitliche Muster zeigen. ## Häufigkeit des Auftretens Eine weitere nützliche Unterscheidung ist, wie Anomalien über die Zeit auftreten. #### Einzelanomalien Dies sind isolierte anomale 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 größeren Zeitraum auftreten. **Was dies für die Anomalieerkennung bedeutet:**\ Wiederholte Anomalien sind oft aussagekräftiger als isolierte, weil sie auf ein systematisches Problem hindeuten können. Gleichzeitig können mehrere unterschiedliche Anomalien die Interpretation erschweren, weil sich ein beobachtetes Problem mit anderen überschneiden kann. *** ## Lernparadigmen Auch Anomalieerkennungsmethoden unterscheiden sich darin, wie sie lernen, wie normales Verhalten aussieht.
### Überwachtes Lernen Bei der überwachten Anomalieerkennung wird die Methode mit gelabelten Beispielen für normales und anomales Verhalten trainiert. Das ist theoretisch attraktiv, in der Praxis jedoch oft schwierig, weil Anomalie-Labels teuer, unvollständig oder nicht verfügbar sind. ### Teilüberwachtes Lernen Bei der teilüberwachten Anomalieerkennung lernt die Methode hauptsächlich aus Daten, von denen angenommen wird, dass sie größtenteils normal sind. Dies ist in realen Anwendungen oft die praktischste Konfiguration, da historische Daten meist verfügbar sind, auch wenn keine expliziten Anomalie-Labels vorliegen. ### Unüberwachtes Lernen Bei der unüberwachten Anomalieerkennung versucht die Methode, ungewöhnliches Verhalten ohne gelabelte normale oder anomale Beispiele zu identifizieren. Dies ist nützlich, wenn nur wenige Vorinformationen verfügbar sind, kann aber die Interpretation und Bewertung erschweren. **Was dies für die Anomalieerkennung bedeutet:**\ Die Lernsituation beeinflusst stark, welche Methoden praktikabel sind. In vielen realen Zeitreihenanwendungen, insbesondere in operativen, beginnt die Anomalieerkennung mit überwiegend ungelabelten historischen Daten statt mit vollständig gelabelten Datensätzen. *** ## Breite Methodenkategorien der Anomalieerkennung Auf hoher Ebene können Anomalieerkennungsmethoden in breite Methodenfamilien eingeteilt werden, je nachdem, wie sie Normalität und Abweichung definieren. ### Distanzbasierte Methoden Distanzbasierte Methoden erkennen Anomalien über Unähnlichkeit. Ein Punkt oder eine Teilsequenz gilt als anomal, wenn er bzw. sie weit von anderen beobachteten Mustern entfernt ist. Diese Methoden sind oft nützlich, um ungewöhnliche Formen oder Teilsequenzen zu identifizieren. ### Dichtebasierte Methoden Dichtebasierte Methoden erkennen Anomalien als Beobachtungen oder Sequenzen, die in Bereichen mit geringer Datendichte liegen. Diese Methoden sind nützlich, wenn Anomalieerkennung als das Problem formuliert wird, unwahrscheinliches Verhalten zu identifizieren. ### Vorhersagebasierte Methoden Vorhersagebasierte Methoden definieren Anomalien als Abweichungen zwischen erwartetem und beobachtetem Verhalten. Dazu gehören prognosebasierte Ansätze und rekonstruktionsbasierte Ansätze. Diese Methoden 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 dies für die Anomalieerkennung bedeutet:**\ Verschiedene Methodenfamilien eignen sich für unterschiedliche Anomalietypen und unterschiedliche operative Ziele. Die richtige Wahl hängt davon ab, ob es 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 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, zu fragen: * Ist das Problem univariat oder multivariat? * Ist die Normalität einregimebasiert oder mehrregimebasiert? * Sind die Anomalien eher isolierte Punkte oder zeitliche Muster? * Sind Labels verfügbar? * Besteht das Ziel darin, ungewöhnliche Strukturen, unwahrscheinliches Verhalten oder Abweichungen vom erwarteten Verhalten zu erkennen? Diese Fragen prägen, wie die Anomalieerkennung angegangen werden sollte. ## Fazit Wie Sie sehen, ist die Anomalieerkennung in Zeitreihen komplexer als bloß das Finden ungewöhnlicher Werte. Sie hängt davon ab, wie Normalität definiert wird, ob der 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-ki-und-maschinelles-lernen-in-buildingpro-suites/maschinelles-lernen/einfuhrung-in-die-anomalieerkennung-in-intelligenten-gebauden/grundlagen-der-anomalieerkennung.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.