Afin de relever les défis de la recherche sur la détection d'anomalies dans les séries chronologiques multivariées, cet article propose un nouvel ensemble de données contenant des anomalies diverses, étendues et non triviales reflétant le comportement réaliste des groupes motopropulseurs automobiles. Cet ensemble de données, généré à l'aide d'outils de simulation de pointe, répond aux défis des ensembles de données publics existants, notamment leur taille, leur diversité et leur complexité. Il présente des caractéristiques multivariées, dynamiques et d'état variable, et aborde des problèmes de séquences discrètes non abordés dans les recherches précédentes. Pour soutenir les configurations de détection d'anomalies supervisées et semi-supervisées, la génération de séries chronologiques et la prévision, nous fournissons plusieurs versions de l'ensemble de données, composées de données contaminées et propres. Nous présentons également des résultats de performance de base basés sur des autoencodeurs déterministes et variationnels, ainsi que sur des approches non paramétriques. Nos résultats expérimentaux de base démontrent que les modèles entraînés sur l'ensemble de données semi-supervisées surpassent les modèles supervisés, soulignant la nécessité d'approches plus robustes pour les données d'entraînement contaminées. De plus, nous soulignons l’impact significatif du seuillage sur les performances de détection, soulignant la nécessité de recherches supplémentaires pour trouver des seuils appropriés pour les données non étiquetées.
