时间序列的异常点监测

本文关注的是时间序列中的异常上升，异常下降，趋势变化等。

 

1. 基于STL(Season-Trend decomposition procedure based on LOESS)将时间序列分为trend, season, residue. 为residue设置threshold, 确定异常点，https://github.com/twitter/AnomalyDetection是基于上述算法的一个实现；

 

2. 利用分类树算法建立是否是异常点的预测模型，对结果进行预测；

 

3. 利用ARIMA模型，对数据进行建模，某个点加入模型与从模型中删除，对结果是否有很大的影响；(R中的tsoutliers包)

 

4. 利用Exponential smoothing建模，考察某个点加入或者删除对结果的影响；

 

5. 利用Neural Network算法建立是否是异常点的预测模型，对结果进行预测；

 

需要注意的是：

 

1. 如果最简单的模型可以达到需求的话，就选用最简单的模型；

2. 尝试较复杂的模型，如果简单模型效果不好的情况下；

3. 最好不要试图建立一个万能算法。