时间序列异常检测算法

我目前在R中使用Twitter的AnomalyDetection：https : //github.com/twitter/AnomalyDetection。该算法为具有季节性的数据提供时间序列异常检测。

问题：是否有与此类似的其他算法（控制季节性无关紧要）？

我正在尝试在数据上为尽可能多的时间序列算法评分，以便我可以选择最佳的算法。

Twitter算法基于

Rosner，B。，（1983年5月），“广义ESD多离群程序的百分比”，Technometrics，25（2），第165-172页

我敢肯定，自1983年以来，已经有了许多技术和进步！我已经对内部数据进行了测试，Twitter的异常检测未发现明显的异常值。我还将使用其他方法来测试时间序列中的异常值。我遇到的最好的是Tsay的异常检测程序，该程序在SAS / SPSS / Autobox和SCA软件中实现。所有这些都是商业系统。还有一个 tsoutliers软件包，它很棒，但是需要arima模型规格才能有效地工作。auto.arima在优化和模型选择方面，我的默认设置存在问题。

Tsay的文章是时间序列离群值检测的开创性工作。预测研究领域的领先期刊《国际预测杂志》提到，Tsay的文章是上面链接的文章中被引用次数最多，影响最大的论文之一（另请参见下文）。这项重要工作和其他异常检测算法在预测软件（尤其是开源软件）中的扩散非常罕见。

自2017年起，这是R中异常检测的选项。

Twitter的异常检测包

• 通过使用季节性混合ESD（SH-ESD）进行工作；
• 以用于检测异常的通用ESD测试为基础；
• 可以检测局部和全局异常；
• 采用时间序列分解和强大的统计指标（例如，中位数和ESD）
• 对长时间序列采用分段逼近；
• 还提供了何时没有时间戳的方法；
• 可以指定异常的方向，感兴趣的窗口，切换分段逼近，并具有视觉支持。

anomalyDetection包（与Twitter的不同）

• 各种方法，包括马氏距离，因子分析，霍恩平行分析，块检验，主成分分析；
• 有处理结果的方法。

tsoutliers套餐

• 按照Chen和Liu过程检测时间序列中的异常值（https://www.jstor.org/stable/2290724?seq=1#page_scan_tab_contents）;
• 基于模型参数的“较少污染”估计值获得异常值，使用多元线性回归估计异常值效果，然后联合估计模型参数和效果。
• 考虑创新离群值，加总离群值，水平变化，暂时变化和季节性水平变化。

反常acm

• 通过在每个时间序列上计算特征向量（例如，包括滞后相关性，季节性强度，频谱熵），然后对特征应用鲁棒的主成分分解，最后对前两个主成分应用各种双变量离群值检测方法，进行工作。
• 根据特征向量确定最不寻常的序列；
• 程序包包含Yahoo的真实和合成数据集。

彩虹包

• 使用袋装图和盒装图；
• 标识深度或密度最低的离群值。

kmodR软件包

• 使用Chawla和Gionis在2013年提出的k-means的实现（http://epubs.siam.org/doi/pdf/10.1137/1.9781611972832.21）；
• 用于创建（可能）比标准k均值更紧密的聚类，并同时在多维空间中廉价地找到异常值。

washeR方法

• 使用新的非参数方法（https://rivista-statistica.unibo.it/article/viewFile/3617/2968）

鲁棒统计方法的CRAN Task视图

• 使用稳健的统计方法来检测离群值的多种方法。

编辑2018

异常化：整洁的异常检测

我遇到了一些可能对您有帮助的资源，但它们不像对您的数据运行R脚本那样容易/方便：-Numenta的NuPIC平台是开源的，可用于许多方面，包括异常检测。- Netflix的地图集项目很快将发布一个开源的异常/异常检测工具。- Prelert有来作为服务器端应用程序的异常检测引擎。他们提供的试用版功能有限，可以满足您的需求。

另外，我的公司Insignum的 Beta版产品可以提取时间序列数据并以全自动方式检测异常，当检测到异常时，您只需通过电子邮件接收警报。欢迎访问Twitter或Linkedin，我们很乐意为您提供更多信息。

Autobox（我的公司）提供离群值检测。与Autobox相比，Twitter的算法具有较大的离群值，但错过了较小的离群值。

运行需要很长时间，但是结果对于发现较小的离群值以及季节性变化（离群值）也更好。下面是使用14,398个原始观测值的前8,560个观测值找到79个离群值的模型。标准版本max最多可以进行10,000次观测，但是可以对其进行更多修改，但是，当您要识别和应对异常值时，没有任何理由拥有大量数据。

Tsay在异常值，水平偏移和方差变化方面的工作以及Chow在参数变化方面的工作以及我们自己在检测季节性变化方面的工作，都对我们产生了影响

如果下载30天试用版并在Twitter示例数据中加载，并将频率指定为60，并将3个触发文件保存在安装文件夹中（noparcon.afs，novarcon.afs，notrend.afs），然后创建一个名为stepupde的文件。 AFS与100。