超级会员免费看
本文深入探讨了异常检测的多种方法，包括基于统计的3σ法则、箱型图、Grubbs测试，以及基于预测、距离、密度、聚类等方法。这些方法在时序数据分析中扮演关键角色，尤其在异常值识别、波动点检测和异常时间序列分析方面。异常检测是确保系统稳定性和预防潜在问题的关键，适用于多个领域，如航天器监控、网络安全和工业设备维护。
目录
异常检测（Anomaly detection）是目前时序数据分析最成熟的应用之一，定义是从正常的时间序列中识别不正常的事件或行为的过程。有效的异常检测被广泛用于现实世界的很多领域，例如量化交易，网络安全检测、自动驾驶汽车和大型工业设备的日常维护。以在轨航天器为例，由于航天器昂贵且系统复杂，未能检测到危险可能会导致严重甚至无法弥补的损害。异常随时可能发展为严重故障，因此准确及时的异常检测可以提醒航天工程师尽早采取措施。
一般而言，很多异常可以通过人工的方式来判断。然而当业务组合复杂、时序规模变大后，依靠传统的人工和简单的同比环比等绝对值算法来判断就显得捉襟见肘了。因此，在面对各种各样的工业级场景时，系统的了解时间序列异常检测方法尤为重要。
01异常类型概述
通常说的异常大致分为异常值、波动值、异常时间序列等几种情况：
-
异常值（Outlier）
-
-
给定输入时间序列
，异常值是时间戳值其中观测值x_t与该时间序列的期望值E(x_
-
订阅专栏 解锁全文
587
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
