使用Python进行时间序列异常检测

我需要对几个时间序列数据集执行异常检测。我以前从未做过此事，希望能得到一些建议。我对python非常满意，因此我希望在其中实现解决方案（我的大部分代码在其他工作中都是python）。

数据描述：在过去的两年左右（即只有24-36个时间段）才刚刚开始收集每月的时间序列数据。从本质上讲，每月有多个指标被多个客户监视。

time_period    client    metric    score
01-2013        client1   metric1   100
02-2013        client1   metric1   119
01-2013        client2   metric1   50
02-2013        client2   metric2   500
...

这就是我的想法：将数据放入数据框（熊猫），然后为每个客户/指标对计算6个月的滚动平均值。如果当前时间段的值超过了基于6个月平均值的某个阈值，则升旗。这个问题似乎很简单。我只想确保我采取可靠的方法。

任何建议，以充实这一想法，将不胜感激。我知道这个问题有点抽象，对此我深表歉意。

我认为类似于统计过程控制，控制图等的方法在这里可能有用。

异常检测有很多选择，从使用Pandas std偏差函数的标准偏差到贝叶斯方法以及介于两者之间的许多机器学习方法，例如：聚类，SVM，高斯过程，神经网络。

看看本教程：https : //www.datascience.com/blog/python-anomaly-detection

从贝叶斯角度，我推荐Facebook Prophet。它可以提供非常先进的结果，而无需成为时间序列专家。它具有处理月，日等工作的选项，“不确定性间隔”可帮助解决异常情况。

最后，我推荐这个关于使用神经网络（LSTM）进行异常检测的Uber博客，它具有非常深入的见解：https : //eng.uber.com/neural-networks/

如果您愿意假设您的数据集是正态分布的，那么您可以估算此分布的分位数，并查看其是否超出了例如95％，80％等分位数。我对Python库不是很熟悉，但是我确定已经为它建立了函数。