如何解决多元时间序列异常检测
我有一个时间序列数据,看起来像下面的示例数据。如您所见,我有四个事件以及每个小时之间每个事件发生的总数。
一个小时后,我将获得每个事件的新发生次数,因此我想根据事件的历史水平来判断该事件的数目是否异常。 我认为如果为每个事件构建四个不同的回归很容易,但是在现实生活中我可能会遇到很多事件,这会使效率降低,所以我想知道解决此问题的最佳方法是什么?我应该尝试的任何型号?我了解了有关KNN的信息,但是我不需要KNN的分类标签吗?
解决方法
这是时间序列数据的示例,您可以尝试以下步骤(按此顺序):
- 绘制数据以获得直观的理解
- 使用简单的z分数异常检测
- 使用滚动平均值和滚动std异常检测
- 基于ARMA的模型
- STL(季节性分解黄土)
- 基于LTSM的深度学习模型
我认为该TS数据是单变量的,因为尚不清楚事件是否相关(您未提供名称或上下文)。如果它们之间是相关的,则可以查看它们之间的相关程度(相关性和协整性),并对相关性进行一些异常检测。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。