MATLAB算法实战应用案例精讲-【数据分析】时序异常检测（附实战应用案例）

目录

前言

算法原理

算法思想

时序异常检测方法

1.统计方法

2.预测方法+机器学习

3.深度学习生成方法

异常分类

1.离群点检测

2.异常值检测

异常点的类型

神经网络异常检测方法分类

1. 特征提取

2. 通用常态特征表征学习

3. 依赖异常度量的特征表征学习

4. 端对端异常分数学习

时间序列数据中的异常检测技术

1 STL decomposition

2 分类和回归树 (CART) 

3.使用预测进行检测

4 基于聚类的异常检测

5 自编码器

时间序列异常值处理

1、修正法

2、删除法

3、缺失值法

知识拓展

多维时间序列的异常检测（AE-LSTM)

1.背景

2.方法论

时间序列和多维流的异常检测

1.背景

2、流时间序列中基于预测的异常检测（基于对时间瞬间预测值的偏差检测：上下文异常）

3、异常形状的时间序列（时间序列数据中子序列的异常形状的检测：集体异常）

4、多维流的异常检测（多维流数据中异常检测的方法）

应用案例

1.多变量时间序列异常检测标准化处理

（1）问题描述

（2）数据集标准化处理

（3）代码实现

2.时间序列异常检测（adtk）

（1）问题描述

（2） 检测方法

未来展望

---

前言

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。

时间序列异常检测的目的就是在时间序列中寻找不符合常见规律的异常点，无论是在学术界还是工业界这都是一个非常重要的问题。企业的运维场景中有海量的运维指标数据，如果单纯依靠人力来发现并定位异常，将是十分低效的，所以如果可以开发一个智能运维系统对于异常波动自动定位，将会提高运维效率。

算法原理

算法思想

什么是多维时间序列：比如一个司机的行为可以表示为一个 的2D时间序列