MATLAB算法实战应用案例精讲-【数据分析】时序异常检测（补充篇）（附Java、R语言和python代码实现）

目录

前言

几个高频面试题目

1.如果时间序列存在异常值,对时间序列分析有什么影响

知识储备

1.时间序列常用模型

2. 时间序列预处理

3 平稳时间序列分析

4. 非平稳时间序列分析

5.餐厅销售数据建模

算法原理

异常分类

时间序列数据性质

时间序列的特征工程

1.非数值型变量处理方法

2. 特征工程构造思路

2.特征选择的方法

时间序列异常检测方法

1. 传统方法

2. 深度学习

深度学习分类角度

异常检测策略​编辑

训练和预处理技术

1. 损失函数

2. 批量学习和在线增量

3. 去噪

应用案例

1.时间序列异常值检测

2.多维时间序列异常检测

1. 时间序列分解模型

2.时间序列异常检测

3. 时序预测

4. 根因分析

3. 基于KDD99数据集的时间序列异常检测实战 

（1）数据预处理

（2） 基于 AE 自编码器的时间序列异常检测代码实现（Tensorflow，Keras前端接口）

（3）基于 LSTM_CNN 的时间序列异常检测代码实现（Tensorflow，Keras前端接口）

（3）基于 DAGMM 的时间序列异常检测代码实现（Tensorflow） 

（4）基于 One-Class SVM 的时间序列异常检测代码实现

（5） 总结

代码实现

 R语言

异常检测算法Seasonal Hybrid ESD及R语言实现

Java

LOF方法时序数据异常检测

LOF-ICAD方法时序数据异常检测

python

---

前言

时间序列是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。正如人们常说，人生的出场顺序很重要，时间序列中隐藏着一些过去与未来的关系。时间序列分析试图通过研究过去来预测未来。

时间序列分析在工程、金融、科技等众多领域有着广泛的应用。在大数据时代，时间序列分析已经成为 AI 技术的一个分支，通过将时间序列分析与分类模型相结合，更好的应用于数据检测、预测等场景。

几个高频面试题目

1.如果时间序列存在异常值,对时间序列分析有什么影响

过拟合的程度造成很大影响。
因为这是基于所有数据的