寻找按时间顺序进行异常检测的良好包装

17

是否有可用于时间序列异常检测的全面的开源软件包（最好是python或R）？

scikit-learn中有一个一类SVM软件包，但不适用于时间序列数据。我正在寻找更复杂的程序包，例如，使用贝叶斯网络进行异常检测。

python time-series anomaly-detection

— 毕欣克
source

我们需要写一个，兄弟！：P

— Arpit Sisodia

19

我知道我来晚了，但是是的，这里有一个异常检测包以及离群值组合框架。

它仍然在github上处于开发的早期阶段，并将很快在JMLR中发布。

软件包是python语言，软件包名称是pyod（https://github.com/yzhao062/Pyod）。

它具有多种算法，可用于以下各个方法：

最后，如果您正在寻找时间序列本身，那么这个 github链接将非常有用。

它具有以下用于时间序列离群值检测的列表包：

— 尚卡尔·查万（Shankar Chavan）
source

有什么方法可以处理基于上下文的异常？

— Arpit Sisodia

您是在谈论异常检测还是异常检测？它们是有区别的。

— Arpit Sisodia

6

有多种方法来处理时间序列异常-

1）如果已知异常，则建立分类模型。使用此模型可以为时间序列数据检测相同类型的异常。

2）如果异常情况未知，则我们在组织中所做的-是聚类和分类的组合-

首先使用LOF / K-means / Cook的距离来识别离群值。由于我们现在有2类-离群值和法线，将整个数据转换为分类问题。现在建立一个分类模型并获取规则（分类模型）以识别运行时的异常（时间序列数据）。

3）如果异常未知，在我的研究中，识别异常的最常见方法是建立一个正常模型，并且与正常模型的任何偏差（error）都是异常的，因此在这种情况下，您可以预测下一个小时的时间序列，然后进行比较与实际值。如果错误超出预期，则表示发生异常。

我无法在python或R中找到任何直接包来这样做，因为没人知道什么是真正的异常：P，在所有情况下，它都与异常值检测有关。

一些有用的链接-

— Arpit Sisodia
source

2

试试先知图书馆

先知是一种基于附加模型预测时间序列数据的过程，其中非线性趋势与年，周和日的季节性变化以及假日效应相吻合。它最适合具有强烈季节性影响和多个季节历史数据的时间序列。先知对丢失数据和趋势变化具有鲁棒性，通常可以很好地处理异常值。

— 克里希纳
source