m0_56676945的博客

将一个预测模型转换为异常检测模型是非常简单的。只需要在合适的目录下创建一个新文件，并定义包含一些基本头部的类结构。通过多重继承 ForecastingDetectorBase 类，大部分繁重的工作都可以自动处理。任何基于预测的异常检测器返回的异常评分，都是基于预测值与真实时间序列值之间的残差。# 定义一个配置类，该类按顺序继承自 RepeatRecentConfig 和 DetectorConfig# 设置一个默认的异常评分后处理规则# 默认的数据预处理变换是均值-方差归一化，

在许多情况下，通过提供这些变量的未来值以及过去值，我们可以获得更好的预测。这些变量可以是与目标变量相关的外部因素，通常可以提高模型的预测性能。在多变量时间序列预测中，可以将外生回归变量作为输入，帮助模型捕捉到更多的信息，从而改善预测结果。在这里，我们的任务是预测每周的销售额。我们希望我们的模型能够考虑可能影响消费者需求的变量（例如温度、消费者价格指数和失业率），因为对这些变量的了解可以提高销售预测的质量。在这里，我们先在训练数据上训练初始模型，然后使用滑动窗口的方法获取模型在训练数据上的预测结果。

我们首先导入Merlion的TimeSeries类和M4数据集的数据加载器。然后，我们可以将该数据集中的特定时间序列划分为训练集和测试集。然后我们可以初始化并训练Merlion的DefaultForecaster，这是一个在性能与效率之间平衡的预测模型。我们还可以获得该模型在测试集上的预测结果。接下来，我们可视化模型的预测结果。最后，我们对模型进行定量评估。sMAPE用于衡量预测误差，范围为0到100（越低越好），而MSIS用于评估95%置信区间的质量，范围同样为0到100（越低越好）。和。

本笔记本将解释如何加载 CSV 文件以用于异常检测或预测。

【代码】merlion的dashboard打开方法。