时序数据异常检测-综述

已于 2025-04-08 14:36:12 修改
阅读量491 收藏 9
点赞数 6
分类专栏： 机器学习 文章标签： 支持向量机 机器学习 人工智能
于 2025-04-08 10:54:22 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41413211/article/details/144215704
版权

更新中

异常检测基本概念

广义的Out-of-Distribution（广义的OOD）来描述异常检测的相关问题。OOD包括五个相关的子领域，分别为Anomaly Detection（AD）、Novelty Detection（ND）、Open Set Recogntion（OSR）、Out-of-Distribution（OOD）和Outlier Detection（OD）。这5个子领域之间在某种意义上是相似的，其共同的目标是在open-world的假设下检测分布以外的样本。

详见

keyword: time series, anomaly detection

定义

时间序列

异常

研究现状

规则

  • 基于统计学/分布：

了解本专栏 订阅专栏 解锁全文
时间序列及异常检测综述（资料）
weixin_41512727的博客
03-06 1万+
文章目录1. 背景2. 时间序列预测方法3. ARIMA3.1 ARIMA模型预测的流程3.2 学习资料4. Prophet4.1 Prophet流程4.2 Prophet注意4.3 学习资料5. 其他时序方法6. 异常诊断相关方法7. 异常检测参考资料 1. 背景 时间序列数据（time series data）是在不同时间上收集到的数据，用于描述现象随时间变化的情况。时间序列是一种典型的数据，...
时序异常检测汇总
Mark_Australia的博客
08-09 9115
时序异常检测
OOA/OOD/OOP
weixin_30947043的博客
05-24 1923
OOA 　　Object-Oriented Analysis：面向对象分析方法 　　是在一个系统的开发过程中进行了系统业务调查以后，按照面向对象的思想来分析问题。OOA与结构化分析有较大的区别。OOA所强调的是在系统调查资料的基础上，针对OO方法所需要的素材进行的归类分析和整理，而不是对管理业务现状和方法的分析。 　　OOA（面向对象的分析）模型由5个层次（主题层、对象类层、结构层、属性层和...
时序数据异常检测
热门推荐
坚持的力量
07-12 1万+
文章目录AIOPS网上相关资料一、时序数据概念及分析1.1 数据前期处理的重要性1.2.1时序数据周期研究（重点方向）1.3 时序数据的随机过程1.4 白噪声序列1.5 平稳性序列1.7 弱平稳1.7.1 原始序列平稳处理方法1.8 关于多时间间隔的处理办法研究(重点研究方向)1.8.1 研究背景1.8.2 研究方法1.8.3 研究进展2019年6月20日1.9 时序数据特征提取方法1.10 多...
时序异常检测综述整理！
小白学视觉
03-11 930
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达Datawhale干货作者：AI宅码，整理：尤而小屋最近阅读了几篇综述，个人比较推荐以下5篇：赵越博士的异常检测库Python Outlier Detection (PyOD) [1]写的很好，还提供了关于异常检测的学习资料[2]2020 | Anomaly detection in univariate time-seri...
【异常检测三件套】系列3--时序异常检测综述
allein_STR的博客
02-26 657
写在前面： 异常检测共包含3个内容，从多个方面剖析异常检测方法，本文为第三篇。过往内容请查看以下链接： 【异常检测三件套】系列1--14种异常检测算法https://blog.csdn.net/allein_STR/article/details/128114175?csdn_share_tail=%7B%22 【异常检测三件套】系列3--时序异常检测综述本文将从以下6个方面介绍： 一、异常分类 二、异常检测的挑战 三、异常检测的模型分类 四、异常检测的数据集 五、异常检测的模型表现对比 六、结论和未来方向
深度盘点：时序预测之异常检测算法综述
Python学习与数据挖掘
05-20 7119
本文将介绍在时间序列预测相关问题中常见的异常检测算法，可以很大程度上帮助改善最终预测效果。喜欢记得收藏、关注、点赞。 注：完整版代码、数据、技术交流，文末获取 异常分类 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
【时间序列异常检测】时序异常检测综述整理(2020-2021)
AI蜗牛车
08-11 6716
转载：宅码最近阅读几篇异常检测综述，这里整理分享给大家，推荐阅读：5星。不足之处，还望批评指正。赵越博士的异常检测库Python Outlier Detection (PyOD) [1]写的很好，还提供了关于异常检测的学习资料[2]，我阅读了几篇综述，个人比较推荐以下三篇：● 2020 | Anomaly detection in univariate time-seri...
时序预测竞赛之异常检测算法综述
Datawhale
12-10 1978
本文将介绍在时间序列预测相关问题中常见的异常检测算法，可以很大程度上帮助改善最终预测效果。异常分类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...
硬件与软件推动的时序数据异常检测综述
时序数据异常检测是一篇综述性论文，发表于2014年的IEEE Transactions on Knowledge and Data Engineering，由Manish Gupta、Jing Gao（均为IEEE会员）和Charu Aggarwal、Jiawei Han（均为IEEE院士）共同撰写。...
基于时序数据的异常检测算法.pptx
05-26
#### 一、时序数据异常检测概况 在当前的大数据时代背景下，随着物联网、云计算等技术的迅速发展，时序数据异常检测已经成为数据分析领域的一个重要研究方向。它涉及从连续的时间序列数据中识别出那些不符合常规...
机器学习笔记：时间序列异常检测
qq_40206371的博客
01-07 2737
给定输入时间序列，异常值是时间戳值其中观测值与该时间序列的期望值不同。
支持向量机（SVM）：分类与回归的数学之美
m0_73707009的博客
05-22 986
支持向量机（SVM）是一种基于统计学习理论的机器学习算法，由Vapnik等人于1995年提出，广泛应用于分类和回归问题。SVM的核心思想是通过寻找最优超平面，最大化不同类别数据点之间的间隔，从而实现数据的分类和回归预测。在分类问题中，SVM通过引入松弛变量和核函数处理线性不可分和非线性数据；在回归问题中，支持向量回归（SVR）通过不敏感损失函数进行误差控制。SVM的优点包括泛化能力强、适合高维数据和可解释性，但也存在计算复杂度高、超参数选择困难和对数据分布敏感等缺点。
支持向量机（SVM）详解
d20062056的博客
05-19 1057
SVM旨在特征空间中找到一个超平面，尽可能将不同类别的数据点分开，同时让各类数据点到超平面的间隔达到最大。以某知名新闻网站为例，采用SVM构建的文本分类系统，对新发布新闻分类的准确率稳定在85%左右，极大提高了新闻整理和推荐效率。研究表明，在某些癌症诊断场景中，基于SVM的模型敏感度和特异度均超过80%，为癌症的早期精准诊断提供新的技术手段。现实中数据往往非线性可分，此时核函数发挥关键作用。比如在一些数据分布呈现复杂曲线状的场景中，RBF核就能发挥作用，将数据映射到合适的高维空间，让SVM找到分隔超平面。
机器学习 Day18 Support Vector Machine ——最优美的机器学习算法
qq_66246715的博客
05-18 1242
我们只说SVM用于分类的推导，并且只说用于二分类的推导，多分类会由二分类得到数据在空间中常常被分为3类：线性可分，近似线性可分，线性不可分，在SVM中分别对应的就是硬间隔，软间隔，核技巧，文章会一一解释：最直观的想法就是我们可以直接通过一条线对这个线性可分的模型进行处理，比如说就是这条直线（二维是直线，高维就是超平面了），直线方程可以是图中方程，然后我们给一个预测样本，我们就去带入这个超平面，如果这个在上方就是正类，下方就是负类，所以模型就是这样：我们承认的是一般情况下如果存在一条直线可以把 两个类分开，那
贝叶斯优化Transformer融合支持向量机多变量回归预测，附相关性气泡图、散点密度图，Matlab实现
机器学习之心的博客，关注并私信文章链接，获取对应文章源码和数据。
05-15 1166
贝叶斯优化Transformer融合支持向量机多变量回归预测，附相关性气泡图、散点密度图，Matlab实现
机器学习AI精准预测复合材料性能、材料结构设计优化；数据驱动加速新材料研发，百年难遇的组合打破科研壁垒！
最新发布
cuiliuyun的博客
05-22 351
人工智能与复合材料技术的融合正推动该领域快速发展。机器学习在复合材料研究中展现出巨大潜力，主要应用于材料设计优化、制造过程控制、性能预测与模拟、缺陷检测、寿命预测与健康管理以及数据驱动的材料发现等方面。具体技术包括线性回归、决策树、随机森林、支持向量机、神经网络等，这些方法在预测复合材料性能、优化材料结构等方面取得显著成果。此外，深度学习模型如多层感知机、卷积神经网络和物理信息神经网络也在复合材料研究中得到应用，为材料性能预测和结构优化提供了新的解决方案。这些技术的应用不仅提高了复合材料研究的效率和精度
分类器引导的条件生成模型
qq_36892712的博客
05-19 948
分类器引导的条件生成模型通过外部分类器的梯度信号，在不修改生成模型结构的情况下实现可控生成。其核心在于贝叶斯框架下的梯度融合，既保留了生成模型的多样性，又增强了条件指向性。实际应用中需注意分类器与生成模型的协同性，并通过实验调整参数以达到最优效果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

坠金

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

实付元
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