14、时间序列分析：无监督方法与机器学习模型

时间序列分析：无监督方法与机器学习模型

1. 无监督时间序列方法概述

在时间序列分析领域，无监督方法有着重要的地位，主要集中在异常检测和变化点检测两个方面。

1.1 变化点检测方法的流行趋势

从相关图表可以看出，LinkedIn的Greykite自发布以来，在GitHub上的星标数呈飞速上升趋势，同时ruptures库的受欢迎程度也大幅提高。

1.2 时间序列聚类

聚类分析是基于数据点或对象的相似性，在数据集中找到有意义的组（聚类）的过程。对于时间序列聚类而言，由于每个数据点是一个时间段（有序序列），因此具有一定的挑战性。不过，它在不同领域有广泛应用，有助于发现模式，从复杂数据集中提取有价值的信息。

以下是用于时间序列聚类的Python库的概述：
| 库名 | 实现方法 | 维护者 | 星标数 |
| — | — | — | — |
| tslearn | 时间序列K均值、K形状聚类、KernelKMeans | Romain Tavenard | 1.7k |
| river | DBStream、时间序列K均值、CluStream、DenStream、STREAMKMeans | Albert Bifet等 | 1.7k |

1.3 安装必要的库

在进行无监督时间序列算法的实践之前，需要安装一些必要的库，可以通过以下命令在终端（或Anaconda Navigator）中快速安装：

pip install ruptures alibi_detect