算法实战应用案例精讲-【数据分析】基于R语言的时序分析(附R语言代码)

目录

前言

算法原理

常见异常检测方法

3-Sigma

Grubbs测试

S-ESD与S-H-ESD

S-ESD

移动平均/加权移动平均/指数加权移动平均

ARIMA 模型

神经网络

阿里云SLS机器学习-时序分析

(1)存在的问题

(2)时序统计建模

工业级算法设计思路

时序预测模型概况

模型实战

模型构建流程

模型原理介绍

模型选择

时序预测

 时序分析的几个常见问题

(3)序列聚类建模

问题定义

相似性度量

算法步骤

平台实验结果

(4) 时序异常检测建模

异常类型概述

开源异常检测系统

异常检测方法

基于预测的异常检测

基于统计的异常检测

(5)规则模式挖掘

模式挖掘的基本原理

序列覆盖法

频繁模式挖掘

平台实验结果

(6)时序异常检测和报警

异常检测实际案例分析

设置报警实例分析

知识拓展

时间序列分析(模式识别、拟合、检验、预测)(R语言)

1、数据准备

2.模式识别

3、参数估计

4、诊断性检验

5、预测

异常检测方法(R语言实现)

一、用箱线图检测异常值

二、使用局部异常因子法(LOF法)检测异常值

三、用聚类方法检测异常值

四、检测时间序列数据中的异常值

五、基于稳健马氏距离检测异常值

代码实现

R语言

利用R进行时间序列Mann-Kendall突变检测 


前言

时间序列的异常检测问题通常表示为相对于某些标准信号或常见信号的离群点。虽然有很多的异常类型,但是我们只关注业务角度中最重要的类型,比如意外的峰值、下降、趋势变化以及等级转换(level shifts)。

常见的异常有如下几种:

  • 革新性异常:innovational outlier (IO),造成离群点干扰不仅作用于X(T),而且影响T时刻以后序列的所有观察值。
  • 附加性异常:additive outlier (AO),造成这种离群点的干扰,只影响该干扰发生的那一个时刻T上的序列值,而不影响该时刻以后的序列值。
  • 水平移位异常:level shift (LS),造成这种离群点的干扰是在某一时刻T,系统的结构发生了变化,并持续影响T时刻以后的所有行为,在数列上往往表现出T时刻前后的序列均值发生水平位移。
  • 暂时变更异常temporary change (TC):造成这种离群点的干扰是在T时刻干扰发生时具有一定初始效应,以后随时间根据衰减因子的大小呈指数衰
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

林聪木

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值