weixin_53741275的博客

今年 AAAI 2021 将于北京时间2021年2月9到12号于线上举行。本次大会共接收了 1692 篇论文，接收率约为21%，可谓收获颇丰。编者梳理与时间序列有关的研究，竟也高达66篇，可见产学两界对该领域的热情与应用前景。

数据是驱动科技发展的源泉，我们平常科研中也常常需要在各种开源数据上验证自己模型的效果。时间序列目前可以使用的开源数据集有哪些呢？本期为大家做一次梳理。

近些年来，在需要支持多平台的互联网应用中，微服务架构越来越受欢迎。与此同时，对于互联网公司来说，微服务的性能质量至关重要，因为微服务故障会降低用户体验并带来经济损失。有效的定位故障的根本原因对于快速恢复服务并减轻损失来说至关重要。随着5G与云计算的⼤⼒发展，如何进行更自动化的运维以管理⼤规模的服务设备，是当今云⼚商⾮常关心的问题。针对这⼀问题，全球权威的IT研究与顾问咨询公司 Gartner于2016年提出了AIOps(Artificial Intelligence for IT Operations)

数据是实时产生的，对数据进行批处理所花费的成本太高了，数据产生的价值被低估。在高维数据下，如何能发现异常的维度？2016年 亚马逊在ICML发表了一篇异常检测算法，Robust Random Cut Forest（RRCF），对周志华老师的孤立森林算法进行改进，适用于数据流的实时处理，实时训练与实时异常检测。该算法已被AWS落地服务化，集成为产品对外服务。

时间序列数据的分析方法可以分为基于**时域**和基于**频域**的两类方向。基于时域的方法将时序数据当作有序点的序列，然后分析这些点的相关性。基于频域的方法利用一个转换算法（如离散傅里叶变换，Z变换等）将时序数据转换到频谱，然后将这些频谱数据作为特征来分析。

异常检测（Anomaly detection）是目前时序数据分析最成熟的应用之一，定义是从正常的时间序列中识别不正常的事件或行为的过程。有效的异常检测被广泛用于现实世界的很多领域，例如量化交易，网络安全检测、自动驾驶汽车和大型工业设备的日常维护。以在轨航天器为例，由于航天器昂贵且系统复杂，未能检测到危险可能会导致严重甚至无法弥补的损害。异常随时可能发展为严重故障，因此准确及时的异常检测可以提醒航天工程师今早采取措施。一般而言很多异常可以通过人工的方式的来判断。然而当业务组合复杂，时序规模变大后，依靠传统的

故障诊断是服务稳定性的重要一环，在工业界有非常丰富的应用场景。过去运维人员诊断根因常常需要人工浏览多种监控指标找关联关系，构建服务拓扑以分析故障传播等工作，非常耗费人力。是否有模型可以自动的分析多维时间序列之间的关联关系，推导根因呢？来自北京大学、中山大学的研究者们所带来的工作：《AutoMAP: Diagnose Your Microservice-based Web Applications Automatically》就这个问题给出了他们的一个方案。

有关时间序列的补缺工作大体上分为：删除或填充这两类。删除所考虑的不是进行填补，而是将缺失值作为特征之一输入到时序模型，例如异常检测，行为分析等；而填充是找到时序变化的规律，将值补充进去，分为统计方式填充与机器学习填充两种方式。

时间序列的特征工程大体上分为：基础特征、转换特征、分类特征这三大类，涉及统计分析、机器学习、深度学习等多个领域。这里要注意的是，特征工程技巧是一方面，更重要的是看实际问题背景，不同问题有不同问题适合的方法，甚至需要为其量身打造提取特征的方法，关键在于如果你先抛开对于算法的依赖而是先自己尝试去分析这个问题，并且可以把自己想到的那些特征用算法实现，那也是一次成功的特征工程过程。

时序预测模型与回归预测模型是不同的。时序预测模型依赖于数值在时间上的先后顺序，是回归模型中的一部分。

时间序列预测就是利用过去一段时间的数据来预测未来一段时间内的信息，包括连续型预测（数值预测，范围估计）与离散型预测（事件预测）等，具有非常高的商业价值。

时间序列的聚类在工业生产生活中非常常见，大到工业运维中面对海量KPI曲线的隐含关联关系的挖掘，小到股票收益曲线中的增长模式归类，都要用到时序聚类的方法帮助我们发现数据样本中一些隐含的、深层的信息。