자동차 테스트 분야에서 기록된 데이터에 대한 관심이 증가하고 수동 평가의 한계에 도달함에 따라 자동 온라인 이상 감지에 대한 필요성이 대두되고 있습니다. 본 연구에서는 복잡한 실제 데이터와 피시험자의 행동 모델링을 위해, 비지도 학습 환경에서 최소한의 오탐으로 이상을 감지할 수 있는 시계열 변동 자동 인코더 (TeVAE)를 제안합니다. 또한, TeVAE는 바이패스 현상을 회피하고 개별 윈도우를 연속적인 시계열로 재매핑하는 새로운 방법을 제시합니다. 실제 산업 데이터셋에 대한 실험을 통해, 감지 지연 시간 및 근본 원인 분석 능력을 평가하기 위한 지표를 제시하고 결과를 보고합니다. TeVAE는 적절히 구성되었을 때 오탐율 6%로 이상 현상의 65%를 감지하며, 작은 훈련 및 검증 서브셋에서도 좋은 성능을 보일 가능성을 가지고 있지만, 보다 정교한 임계값 추정 방법이 필요합니다.
