# Wykrywanie anomalii w szeregach czasowych EN: **Time-series anomaly detection** · id `tsanomaly` · aliases: TSAD Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Uczenie maszynowe](https://aiatlasgraph.com/t/ml.md) › [Szeregi czasowe: prognozy, anomalie i klasyfikacja](https://aiatlasgraph.com/t/timeseries.md) › [Wykrywanie anomalii i nowości](https://aiatlasgraph.com/t/anomalydetection.md) › Wykrywanie anomalii w szeregach czasowych ## Description - PL: Wykrywanie anomalii punktowych, kontekstowych i podsekwencyjnych w szeregach metodami prognozującymi, rekonstrukcyjnymi, odległościowymi, rozkładowymi i drzewiastymi. - EN: Detecting point, contextual and subsequence anomalies in series with forecasting, reconstruction, distance, distribution and tree-based methods. ## In one sentence - PL: Wyłapywanie nietypowych chwil lub fragmentów w zapisie pomiarów, na przykład nagłego skoku albo przebiegu o innym kształcie niż zwykle. - EN: Catching unusual moments or stretches in a measurement record, such as a sudden spike or a pattern shaped differently than usual. ## Problem it solves - PL: Odczyt może wyglądać normalnie sam w sobie, a być dziwny dopiero w kontekście pory dnia lub poprzednich minut. - EN: A reading may look normal on its own yet be odd given the time of day or the preceding minutes. ## What it does - PL: Patrzy na każdy punkt razem z jego otoczeniem w czasie i porównuje z tym, czego model się spodziewał albo co zwykle widział. - EN: It looks at each point together with its surroundings in time and compares it with what the model expected or usually saw. ## Everyday example - PL: System pilnujący serwerów zauważa, że ruch o trzeciej w nocy jest taki jak w południe, choć sama wartość nie jest rekordowa. - EN: A server-monitoring system notices that traffic at 3 a.m. looks like midday traffic, even though the value itself is not a record. ## This concerns you if you… - PL: monitorujesz czujniki, maszyny lub systemy w czasie - PL: nietypowość zależy u ciebie od pory lub kontekstu - PL: masz mało oznaczonych przykładów awarii - EN: monitor sensors, machines or systems over time - EN: unusualness depends on time or context for you - EN: have few labelled examples of failures ## Keywords matrix profile · STOMP · LSTM-AD · autoencoder reconstruction error · Isolation Forest · Sub-LOF · DWT-MLEAD · TimeEval · AUC-PR ## How it works - PL: Metody prognozujące oznaczają duże odchylenia od przewidzianej wartości, rekonstrukcyjne słabo odtwarzane okna, odległościowe fragmenty dalekie od sąsiadów (np. profil macierzowy), rozkładowe wartości z ogonów rozkładu, a lasy izolacyjne próbki łatwe do odcięcia. Wynikiem jest ciągły score, który próg zamienia w alarmy. - EN: Forecasting methods flag large deviations from predicted values, reconstruction methods poorly reconstructed windows, distance methods subsequences far from neighbours (e.g. matrix profile), distribution methods tail values, and isolation forests easily isolated samples. The output is a continuous score that a threshold turns into alarms. ## Limits - PL: Żadna rodzina nie wygrywa wszędzie; ranking zależy od zbioru i miary (AUC-ROC lub AUC-PR). Wiele metod jest wrażliwych na parametry, a głębokie modele nie zawsze pokonują prostsze. Etykiety anomalii są rzadkie i niepewne. - EN: No family wins everywhere; rankings depend on dataset and metric (AUC-ROC vs AUC-PR). Many methods are parameter-sensitive, and deep models do not always beat simpler ones. Anomaly labels are rare and uncertain. ## Key terms - PL: **anomalia kontekstowa**: Wartość normalna sama w sobie, ale nietypowa w danym kontekście. - PL: **anomalia podsekwencyjna**: Nietypowy fragment szeregu, a nie pojedynczy punkt. - PL: **profil macierzowy**: Odległość każdego fragmentu do najbardziej podobnego innego fragmentu. - EN: **contextual anomaly**: A value normal on its own but unusual in its context. - EN: **subsequence anomaly**: An unusual stretch of the series rather than a single point. - EN: **matrix profile**: Each fragment's distance to its most similar other fragment. ## Know first - [Klasyczne prognozowanie szeregów czasowych (Classical time-series forecasting)](https://aiatlasgraph.com/t/classicforecasting.md) ## Related topics Untyped, symmetric "see also" links. - [Utrzymanie predykcyjne maszyn (Predictive maintenance and prognostics (PHM))](https://aiatlasgraph.com/t/predictivemaint.md) ## Sources - [Anomaly Detection in Time Series: A Comprehensive Evaluation]() `schmidl-tsad-evaluation-2022` · by Sebastian Schmidl, Phillip Wenig, Thorsten Papenbrock --- AI Atlas revision 126 (2026-11-03) · HTML: https://aiatlasgraph.com/t/tsanomaly · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-11-03