Para abordar los desafíos de la investigación sobre la detección de anomalías en series temporales multivariadas, este artículo propone un nuevo conjunto de datos que contiene anomalías diversas, extensas y significativas que reflejan el comportamiento realista de los sistemas de propulsión de automóviles. Este conjunto de datos, generado mediante herramientas de simulación de vanguardia, aborda los desafíos de los conjuntos de datos públicos existentes, incluyendo su tamaño, diversidad y complejidad. Presenta características multivariadas, dinámicas y de estado variable, y aborda problemas de secuencia discreta no abordados en investigaciones previas. Para respaldar las configuraciones de detección de anomalías supervisadas y semisupervisadas, la generación de series temporales y la predicción, proporcionamos múltiples versiones del conjunto de datos, compuestas por datos contaminados y limpios. También presentamos resultados de rendimiento de referencia basados en autocodificadores deterministas y variacionales, así como en enfoques no paramétricos. Nuestros resultados experimentales de referencia demuestran que los modelos entrenados con el conjunto de datos semisupervisados superan a los modelos supervisados, lo que resalta la necesidad de enfoques más robustos para los datos de entrenamiento contaminados. Además, destacamos el impacto significativo del umbral en el rendimiento de la detección, lo que pone de relieve la necesidad de realizar más investigaciones para encontrar umbrales adecuados para datos no etiquetados.
