Resumen: Presentamos un marco novedoso para la detección de anomalías en series temporales que combina una descomposición adaptativa Fourier-Ondalet con un agente de aprendizaje por refuerzo. Este enfoque aborda las limitaciones de los métodos clásicos cuando los datos son no estacionarios o cuando las anomalías se manifiestan en múltiples escalas temporales y frecuencias. Al descomponer dinámicamente la señal en dominios de tiempo y frecuencia y ajustar automáticamente los parámetros de descomposición, el sistema descubre anomalías que podrían quedar ocultas usando solo Fourier o solo ondículas.
Metodología: El método propuesto, llamado AFWD-RL, consta de tres módulos principales: el módulo de descomposición Adaptive Fourier-Wavelet Decomposition AFWD, el módulo de puntuación de anomalías y un agente de Reinforcement Learning que optimiza los parámetros de descomposición. AFWD aplica primero una Transformada Discreta de Ondícula para separar aproximaciones y detalles en distintos niveles y luego ejecuta una Transformada Rápida de Fourier sobre las aproximaciones para identificar frecuencias dominantes. Los parámetros clave, como número de niveles de ondícula N, tipo de ondícula y tamaño de ventana FFT, se ajustan de forma dinámica por el agente.
Puntuación de anomalías: Cada componente descompuesto, tanto coeficientes de detalle de la DWT como el resultado del FFT, es evaluado con una métrica robusta basada en una Z-score modificada y una estimación del ruido mediante Median Absolute Deviation MAD para reducir la sensibilidad a atípicos. La regla de decisión utiliza un umbral k adaptativo que se calcula en función de la distribución característica de cada componente para equilibrar sensibilidad y especificidad.
Agente de aprendizaje por refuerzo: Empleamos un agente de Q-learning con aproximación mediante red neuronal para estimar la función Q. El estado combina una ventana reciente de la serie y los parámetros actuales de AFWD. Las acciones permiten incrementar o reducir N, cambiar el tipo de ondícula entre familias como Daubechies, Symlet o Morlet, y ajustar el tamaño de ventana FFT. La señal de recompensa se basa en la puntuación F1 obtenida en un conjunto de validación, con penalizaciones por cambios que incrementen excesivamente el tiempo de procesamiento. La red Q tiene dos capas ocultas con 64 neuronas y activaciones ReLU, tasa de aprendizaje y decaimiento de e-greedy calibrados para convergencia estable.
Diseño experimental: Se evaluó AFWD-RL con datos sintéticos generados por modelos de estados ocultos que emulan cambios bruscos, drifts graduales y anomalías periódicas, y con datos reales de tráfico de red, sensores industriales y electrocardiogramas. Las comparativas incluyeron FFT tradicional, DWT con parámetros fijos y el algoritmo Seasonal Hybrid ESD. Las métricas principales fueron F1-score, tasa de falsos positivos y tiempo de procesamiento, además de la curva de convergencia del agente RL.
Resultados: En datos sintéticos, AFWD-RL superó consistentemente a las metodologías de referencia, logrando mejoras medias en F1 de 15 a 20 frente a FFT y DWT con parámetros estáticos. En tráfico de red se observó una reducción de falsos positivos del 25 respecto a sistemas basados solo en FFT. En sensores industriales se alcanzó hasta 90 de precisión en la detección temprana de fallos potenciales. En ECG la sensibilidad en la identificación de latidos irregulares mejoró de forma notable. La fase de entrenamiento del agente implica un coste computacional inicial, pero la estructura entrenada puede desplegarse para inferencia eficiente y paralelizable.
Discusión: La principal ventaja es la adaptabilidad al cambiar automáticamente la representación de los datos según su dinámica, lo que resulta especialmente útil en entornos no estacionarios. La combinación de análisis en tiempo y frecuencia y la optimización automática de parámetros proporciona una detección más robusta frente a patrones complejos. La limitación más relevante es el coste del entrenamiento del agente RL, mitigable con acciones prácticas como preentrenamiento fuera de línea, uso de GPU y estrategias de transferencia de aprendizaje.
Trabajo futuro: Entre las líneas futuras se propone explorar algoritmos de RL más avanzados como Proximal Policy Optimization para acelerar la convergencia, incorporar conocimiento de dominio en la función de recompensa, implementar aceleración GPU y desarrollar contextos de aprendizaje multiagente donde agentes especializados gestionen distintos flujos de datos en paralelo.
Aplicaciones y valor comercial: Este marco es aplicable de forma inmediata en sectores como telecomunicaciones, industria 4.0, salud y finanzas, aportando mejoras en prevención de fallos, detección de intrusiones y monitorización clínica. Para empresas que necesitan integrar soluciones de IA en procesos productivos ofrecemos servicios completos de desarrollo y despliegue, que incluyen consultoría, integración con plataformas cloud y soluciones personalizadas.
Sobre Q2BSTUDIO: Q2BSTUDIO es una empresa de desarrollo de software y aplicaciones a medida especialista en inteligencia artificial, ciberseguridad y servicios cloud. Diseñamos soluciones de software a medida y aplicaciones a medida que integran agentes IA y modelos de aprendizaje automático para resolver problemas reales de negocio. Nuestro equipo ofrece servicios de ciberseguridad y pentesting, implementación de servicios cloud aws y azure y proyectos de inteligencia de negocio con Power BI para transformar datos en decisiones.
Si busca integrar modelos avanzados de detección de anomalías o desarrollar plataformas analíticas a medida, en Q2BSTUDIO podemos ayudarle a diseñar e implementar la solución end to end, desde la ingeniería de datos hasta el despliegue escalable. Consulte nuestros servicios de servicios de inteligencia artificial o descubra cómo desarrollamos software a medida y aplicaciones a medida que incorporan seguridad, escalabilidad y capacidades de inteligencia de negocio como Power BI para mejorar la toma de decisiones.
Palabras clave: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi.
Conclusión: La combinación de descomposición adaptativa Fourier-Ondalet con aprendizaje por refuerzo constituye un avance significativo en la detección de anomalías en series temporales. Su capacidad para ajustar dinámicamente la representación de los datos y optimizar parámetros clave lo hace ideal para despliegues industriales y comerciales donde la precisión y la adaptabilidad son críticas. Q2BSTUDIO está preparado para transformar este conocimiento en soluciones prácticas que aporten valor inmediato a su organización.