高变时间序列数据中的异常检测

如何解决高变时间序列数据中的异常检测

我正在尝试通过名为 count 的列检测异常情况。数据是时间序列数据，每天每 5 分钟出现一次。数据框如下所示：

datetime         |  count
_________________|________
2021-03-31 00:05 |  25
2021-03-31 00:10 |  13
2021-03-31 00:15 |  0
2021-03-31 00:20 |  3
...              | ...
2021-04-15 22:10 | 111
2021-04-15 22:15 | 0
2021-04-15 22:20 | 9

但是，count 列上的差异很大，因此当我尝试使用窗口为 288 的滚动 z 得分技术时（每 5 分钟，意味着一个数据点中有 12 个数据点）小时，24*12 = 288，1 天窗口）和 -3，+3 的阈值，根据中心极限定理，它失败了，因为对于大多数数据点，分数远远超出这些范围，因此大约 50 % 点被宣布为异常。同样，我已经尝试过隔离森林、一类 SVM 和椭圆包络技术，但似乎没有任何效果。当我尝试绘制异常点时，图表中充满了异常点，并且该图也没有任何意义。

我之前没有处理过这种数据，我想我在某处出错了。谁能建议我应该采取哪些步骤来检测此类数据中的异常情况，以及我可以尝试哪些好的算法？