时间序列分析——异常检测

最新推荐文章于 2025-10-21 15:24:41 发布
原创 最新推荐文章于 2025-10-21 15:24:41 发布 · 2.8k 阅读 · 4 ·
CC 4.0 BY-SA版权
我们不生产知识，我们只是互联网的搬运工

异常检测

异常的时间序列

  1. 直接检测异常序列
    问题描述：给定包含若干时间序列的数据库，找出所有异常的序列
  2. 基于窗口的检测
    问题描述：给定包含若干时间序列的数据库，找出所有异常的窗口，进而找出异常序列
  3. 异常子序列的检测
    问题描述：给定包含若干时间序列的数据库和一条测试序列，找出序列中的异常子序列（模式）

序列中的异常

  1. 异常点
    问题描述：给定一条时间序列，找出序列中的异常点
  2. 异常子序列
    问题描述：给定一条时间序列，找出序列中的异常子序列（模式）
时序异常检测汇总
Mark_Australia的博客
08-09 9911
时序异常检测
时间序列分析的异常检测综述
GuPaoAi_22的博客
04-21 834
我们已经了解了什么是时间序列，它的组成部分是什么，它与其他类型的数据有何不同，如何在时间序列中检测异常，以及进行这些操作的最常见技术。我们已经看到了如何验证数据的平稳性，如何对时间序列进行差分，如何估计和验证ARIMA模型，如何使用ARIMA模型来描述、预测和检测时间序列中的异常，以及如何解释异常检测结果。例如，如果我们想要分析数据的季节性，即数据作为时间的函数的周期性变化，我们需要至少一个完整的观测周期，涵盖所有可能的季节。最后，这些技术帮助我们识别数据中的隐藏问题或机会，这可能是由数据中的异常引起的。
Python数据分析基础: 异常值检测和处理
热门推荐
Python数据科学
10-31 2万+
作者：东哥起飞 公众号：Python数据科学 上一篇分享了关于数据缺失值处理的一些方法，链接如下： 【Python数据分析基础】: 数据缺失值处理 本篇继续分享数据清洗中的另一个常见问题：异常值检测和处理。 1 什么是异常值？ 在机器学习中，异常检测和处理是一个比较小的分支，或者说，是机器学习的一个副产物，因为在一般的预测问题中，模型通常是对整体样本数据结构的一种表达方式，这种表达方式通常抓住的是整体样本一般性的性质，而那些在这些性质上表现完全与整体样本不一致的点，我们就称其为异常点，通常异常点在预.
D4-时间序列预测中的异常值检测方法（4大类8种）
ai12345678900008的博客
09-23 793
时间序列异常检测方法可分为四大类：统计方法（Z-Score、IQR）、序列模型残差法（ARIMA、LSTM）、机器学习方法（孤立森林、单类SVM）和邻域聚类法（KNN）。统计方法适合平稳序列，计算简单但未考虑时间依赖性；模型残差法利用时序规律，ARIMA适用于线性序列，LSTM处理非线性复杂序列；机器学习方法通过特征工程检测异常，孤立森林高效适用于大数据，单类SVM适合小样本；邻域方法基于距离/密度识别异常点。各类方法各有优缺点，需根据数据特性和场景需求选择。
时间序列-异常检测（Anomaly Detection）（一）：时间序列的特征工程
u013250861的博客
03-18 3430
一. 介绍 异常检测（Anomaly detection）是目前时序数据分析最成熟的应用之一，定义是从正常的时间序列中识别不正常的事件或行为的过程。 有效的异常检测被广泛用于现实世界的很多领域，例如量化交易，网络安全检测、自动驾驶汽车和大型工业设备的日常维护。 以在轨航天器为例，由于航天器昂贵且系统复杂，未能检测到危险可能会导致严重甚至无法弥补的损害。异常随时可能发展为严重故障，因此准确及时的异常检测可以提醒航天工程师今早采取措施。 1、异常类型 2、异常检测方法 1）直接检测：针对点异常，直接定位离群点
机器学习笔记：时间序列异常检测
qq_40206371的博客
01-07 3031
给定输入时间序列，异常值是时间戳值其中观测值与该时间序列的期望值不同。
时间序列异常检测（adtk）
学海无涯
12-14 3668
adtk时间序列异常检测
时间序列分析——高阶统计量方法-张贤达
09-07
在张贤达的《时间序列分析——高阶统计量方法》中，作者可能详细讲解了以下几个关键知识点： 1. **高阶矩和中心矩**：除了常见的均值（一阶矩）和方差（二阶矩），高阶矩包括三阶矩（描述数据分布的偏斜度）和四阶...
入侵检测系统(IDS)——异常检测和误用检测
weixin_45639224的博客
09-04 1057
入侵检测系统(IDS)——异常检测和误用检测
时间序列数据异常检测算法（2）——基于距离/密度的经典算法
最新发布
m0_56592100的博客
10-21 723
本文系统梳理时间序列异常检测算法，从传统方法到深度学习前沿技术。重点分析基于集成与森林的算法，包括孤立森林、随机割森林等，详述其原理、优缺点及适用场景。这些算法通过集成多个模型提升检测性能，具有计算高效、适应性强等特点，适用于金融风控、物联网监控等实时数据处理。文章还对比了不同算法特性，为研究者和实践者提供参考指南，并展望未来发展趋势。
python 时间序列异常值_时间序列异常检测（一）—— 算法综述
weixin_39646706的博客
12-10 2893
更新：2020/09/02：新增一篇写的很好的关于视频监控异常检测的学报http://jst.tsinghuajournals.com/CN/rhhtml/20200609.htm​jst.tsinghuajournals.com一. 介绍异常检测(Anomaly detection)是目前时序数据分析最成熟的应用之一，定义是从正常的时间序列中识别不正常的事件或行为的过程。有效的异常检测被广泛用于...
时间序列分析|异常值检测
帅帅de三叔
07-20 6258
时间序列异常值检测
时间序列异常检测
BulletTech2021的博客
07-25 1687
1 引言 事情的起因是有朋友告诉我最近有KDD Cup 2021的比赛。为了凑个热闹，也为了刷点经验，我们准备合伙参加(当个炮灰)。 有三道赛题，时间序列异常检测、图相关的和智慧城市。看上去最正常的时间序列异常检测当仁不让的成为了我们的选择。 2 题目要求 竞赛要求我们检测时间序列中的异常点。每个时间序列有且仅有一个异常点。题目给出了异常点所在的区间，要求我们给出异常点所在的位置。 example 评估时会考察我们给出的位置前后100个点的范围内是否包含真正的异常点。序列长度从几千到几十万个观
时间序列异常检测（pycaret）
学海无涯
11-29 2163
时间序列异常检测
【时间序列异常检测】Anomaly Transformer
AI蜗牛车
08-20 4116
论文：ICLR2022 | Anomaly transformer: Time series anomaly detection with association discrepancy [1]作者：徐介晖，吴海旭，王建民，龙明盛机构：清华大学软件学院BNRist代码：https://github.com/thuml/Anomaly-Transformer录播：https://www.bilibi...
金融时间序列分析——第三版
6. **异常检测**：书中阐述了如何识别和处理时间序列中的异常值，这对于金融市场的异常事件研究特别重要。 7. **多元时间序列**：讨论了如何分析和建模多个相关的时间序列，如协整和向量自回归（VAR）模型，这对于...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

颹蕭蕭

白嫖？

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值