Telemanom: 使用LSTM进行时间序列异常检测的开源项目

Telemanom: 使用LSTM进行时间序列异常检测的开源项目

telemanom A framework for using LSTMs to detect anomalies in multivariate time series data. Includes spacecraft anomaly data and experiments from the Mars Science Laboratory and SMAP missions. 项目地址: https://gitcode.com/gh_mirrors/te/telemanom

1. 项目基础介绍和主要编程语言

Telemanom是一个开源项目，旨在使用长短期记忆网络（LSTM）检测多变量时间序列数据中的异常。该项目利用Keras和Tensorflow框架构建LSTM模型，以识别和预测系统行为的异常。项目的主要编程语言是Python。

2. 项目的核心功能

• 异常检测: Telemanom通过训练LSTM模型来学习系统的正常行为，然后使用该模型预测每个时间点的值。通过比较实际值和预测值之间的误差，项目能够识别出偏离预期行为的异常序列。
• 无监督阈值设定: 项目采用一种新颖的非参数无监督方法来设定误差的阈值，从而无需标注数据即可检测异常。
• 多变量数据处理: Telemanom支持多变量时间序列数据的处理，使其适用于复杂的系统监控场景。
• 易于适配: 虽然该系统最初是为监控航天器遥测数据而开发的，但它可以轻松地适应到其他类似的问题上。

3. 项目最近更新的功能

• 向量化操作: 通过使用Numpy库，Telemanom更新了向量化操作，提高了数据处理效率。
• 面向对象的重组: 项目的代码结构进行了面向对象的重组，提高了代码的可读性和可维护性。
• 合并分支: 将处理模式（带标签或不带标签）的分支合并为一个单一分支，简化了代码结构。
• 更新依赖和Dockerfile: 更新了项目所需的依赖和Dockerfile文件，确保了更好的兼容性和部署性。
• 结果输出优化: 对于带标签和不带标签的两种模式，都更新了结果输出，使其更加清晰和有用。
• PEP8代码风格: 对代码进行了PEP8风格的清理，提高了代码的一致性和可读性。

telemanom A framework for using LSTMs to detect anomalies in multivariate time series data. Includes spacecraft anomaly data and experiments from the Mars Science Laboratory and SMAP missions. 项目地址: https://gitcode.com/gh_mirrors/te/telemanom