TSB-SEG: un benchmark sistematico per la segmentazione delle serie temporali

Abstract degli autori

La segmentazione delle serie temporali, studiata come rilevamento dei punti di cambiamento (CPD) o rilevamento degli stati (SD), è alla base di un’ampia gamma di applicazioni di monitoraggio e diagnostica. Il campo, tuttavia, è segnato da una persistente divisione tra la comunità statistica, concentrata sul CPD, e quelle dell’apprendimento automatico e del data mining, concentrate sull’SD. Di conseguenza, la letteratura rimane frammentata: le valutazioni riguardano in genere famiglie metodologiche ristrette, i dataset sono spesso di piccole dimensioni o omogenei e CPD e SD vengono valutati insieme di rado. Affrontiamo queste lacune con TSB-SEG, un benchmark unificato che comprende 592 serie temporali univariate e multivariate provenienti da 8 dataset eterogenei e analizza 26 algoritmi, ripercorrendo cinque decenni di progressi. Per garantire un confronto equo, introduciamo una struttura a due insiemi: un insieme principale, scalabile, di rilevatori gestibili sul piano computazionale, usato per la graduatoria complessiva, e un insieme ad ambito esteso, riservato ai metodi ad alta intensità di calcolo. Tutti i metodi sono riuniti in tsseg, una libreria open source che garantisce la piena riproducibilità. La nostra valutazione sistematica porta a tre conclusioni: (a) nessun rilevatore prevale in tutti i domini e la messa a punto degli iperparametri per ciascun dataset rimane determinante per le prestazioni; (b) l’accuratezza del CPD è un indicatore utile, seppure imperfetto, dell’accuratezza dell’SD; e (c) la scelta del metodo dovrebbe essere guidata dalle caratteristiche dei dati. Forniamo indicazioni pratiche basate sulle proprietà dei dati, sulle tolleranze agli errori e sui budget per la messa a punto, individuiamo gli iperparametri più influenti e caratterizziamo la robustezza degli algoritmi rispetto a queste scelte.