Подробное описание документа

Васильев Д. И., Бородулин А. С., Казаковцев Л. А.
   Формирование признакового пространства для задач обнаружения аномалий в поведении объектов по потоковым данным / Васильев Д. И., Бородулин А. С., Казаковцев Л. А. // Сибирский аэрокосмический журнал. - 2026. - Т. 27, № 2. - С. 194-211.

Рассматривается задача анализа потоковых данных низкой интенсивности (одно измерение в сутки) для выявления скрытых аномалий в поведении сложных объектов на примере фискальных данных налогоплательщиков, получаемых с контрольно-кассовой техники. Предложена методология построения многомерного признакового пространства, включающая статистические, структурные и динамические характеристики временных рядов. В основе методологии лежит система из пяти явно сформулированных рабочих гипотез: о смене стационарного режима функционирования объекта, концентрации суммарного объема показателя на малом количестве временных отсчетов, бинарной (двухрежимной) структуре распределения значений, наличии длительных периодов бездействия, повышенной вариативности показателей. Каждая гипотеза формализована в виде набора количественных признаков с приведением математических выражений. Детально описаны методы отбора признаков: корреляционный анализ с целевой переменной (порог |r| > 0,2), непараметрический тест Колмогорова - Смирнова (p < 0,05), однофакторный дисперсионный анализ ANOVA (p < 0,01), удаление мультиколлинеарных признаков (|r| > 0,8), а также комбинированный подход. Проведен сравнительный анализ восьми моделей классификации на фискальных данных (2200 объектов, 365 дней). Комбинированный отбор признаков позволил сократить размерность с 96 до 28 при повышении ROC-AUC с 0,85 до 0,94. Валидация на независимой выборке подтвердила эффективность подхода: доля подтверждённых аномалий составила 84 %. Предложенная методология может быть масштабирована на другие задачи обнаружения аномалий в технических и экономических системах с низкоинтенсивными потоками данных. Ключевые слова системный анализ, потоковые данные, обнаружение аномалий, селекция признаков, временные ряды, машинное обучение, тест Колмогорова - Смирнова, anova