Los datos de series temporales representan un tipo de información que incorpora el tiempo como elemento fundamental en su estructura. En una serie temporal, los puntos de datos se recogen secuencialmente, usualmente a intervalos regulares, y a menudo muestran ciertos patrones, como tendencias, variaciones estacionales o comportamientos cíclicos. Ejemplos comunes incluyen ingresos por ventas, rendimiento del sistema (como utilización del CPU y uso de memoria), transacciones con tarjetas de crédito, lecturas de sensores y análisis de actividad de usuarios.
La detección de anomalías en series temporales es el proceso de identificar patrones inesperados o inusuales en los datos a lo largo del tiempo. Una anomalía, también conocida como un «outlier» (valor atípico), ocurre cuando un punto de datos se desvía significativamente de un patrón esperado. Para algunas series temporales, como aquellas con rangos esperados bien definidos, como las temperaturas de funcionamiento de una máquina o el uso de CPU, puede ser suficiente emplear un enfoque basado en umbrales. Sin embargo, en áreas como la detección de fraudes y ventas, donde las reglas simples no son suficientes para captar anomalías debido a las complejas relaciones subyacentes, se requieren técnicas más sofisticadas para identificar ocurrencias inesperadas.
En este artículo, se demuestra cómo construir una solución robusta para la detección de anomalías en tiempo real en datos de series temporales usan...