基于自编译器的时间序列异常检测算法
- 自编码器其实是一种数据压缩或者特征提取算法
- 本质上是神经网络
- 具体步骤如下:
原始时间序列
-> Auto Encoder(Encoder 和 Decoder)
-> 重构后的时间序列
-> 通过重构后的时间序列与原始时间序列的整体误差和局部误差来判断异常点
简单来说,只要输出的时间序列在局部的信息跟原始的时间序列不太一致,就有理由认为原始的时间序列存在着异常。
- 弊端:
1.从理论上说,它只能对一个时间序列单独训练一个模型,不同类型的时间序列需要使用不同的模型。这样的话,其实维护模型的成本比较高,不太适用于大规模的时间序列异常检测场景;
2.对周期型的曲线效果比较好,如果是毛刺型的数据,有可能就不太适用;因为长期的毛刺型数据就可以看成正常的数据了。
3.每次调参需要人为设置一定的阈值,不同的时间序列所需要的阈值是不一样的。
2019/3/9
用Azure和scikit-learn堆栈实时传感器异常检测
首先是对自己的经历介绍:
0:00 ~5:26 介绍了自己之前的的工作污水处理,并附上了之前他们团队的处理方法,使用Iot传感器。
5:26~ first using Azure Machine Learning .
微软机器学习Azure Machine Learning入门概览