时序数据异常点检测技术

最新推荐文章于 2024-07-31 11:15:23 发布

数据分析案例

最新推荐文章于 2024-07-31 11:15:23 发布

阅读量976

点赞数

文章标签：机器学习深度学习数据挖掘

本文链接：https://blog.csdn.net/shujufenxianli/article/details/122867802

版权

本文介绍了时序数据异常检测技术，包括基于统计模型、邻近度和密度的检测方法。详细讨论了一元和多元正态分布检测、马氏距离、KNN、逆距离、半径个数和相对密度等，并解释了独立森林Isolation Forest的工作原理及其在异常检测中的应用。

摘要由CSDN通过智能技术生成

©作者 | 曲奇

01 概述

通常时序数据的异常值主要分为三类：

时序数据常见特征

特征	描述
周期（频率）	数据出现周而复始的现象
趋势	数据呈现上涨、下跌的走势
季节性	在一年或者更短的时期内在一个趋势线上重复性和可预测的变动
自相关	代表数据之间的相关依赖
非线性	时间序列中包含了非线性模型表示的复杂数据集
偏态	测量对称性，或更加明确地说，缺乏对称性
峰度	如果数据相对于正常分布达到峰值或平坦，则采取措施
林中小丘	衡量时间序列的长期记忆
李亚普诺夫指数	衡量附近轨迹的发散速度