寫在前面：

針對一個數(shù)值序列，識別出其中的異常波動點。例如：

p = [1 1 1.1 1 0.9 1 1 1.1 1 0.9 1 1.1 1 1 0.9 1 1 1.1 1 1 1 1 1.1 0.9 1 1.1 1 1 0.9 1, ...

1.1 1 1 1.1 1 0.8 0.9 1 1.2 0.9 1 1 1.1 1.2 1 1.5 1 3 2 5 3 2 1 1 1 0.9 1 1 3, ...

2.6 4 3 3.2 2 1 1 0.8 4 4 2 2.5 1 1 1];

其實不同場景有不同的使用需求，有的場景需要識別peak點，有的場景需要識別異常波動的起始點。

下面介紹一種方法對不同場景下都有一定啟發(fā)意義，可以在該基礎(chǔ)上做一定的trick。

Smoothed z-score algorithm

主要思想：

1 利用過去一段歷史窗口針對下個節(jié)點值做預(yù)測（利用平均值，方差信息），若是其超過了一定的閾值，則是個異常點。

2 對異常點的數(shù)值進(jìn)行平滑，以便評估下下個點是否為異常點。因為不做平滑，由于當(dāng)前是個異常點，對平均值、方差影響較大，若是下一個點仍是異常點，可能不會識別。

可以看到紅色是序列數(shù)據(jù)，灰色區(qū)域是可接受的范圍值，中間的綠線是平滑后的預(yù)估值。

當(dāng)紅色點超出灰色區(qū)域，則在下面標(biāo)記一個信號量，其取值為-1,0,1.

這樣就把一個序列數(shù)據(jù)，轉(zhuǎn)變成一個類似脈沖信號的中間態(tài)。然后我們就可以基于這個信號根據(jù)需求加以利用。

python代碼：

可見，根據(jù)當(dāng)前值和歷史平均值的絕對差值和方差做比較。

然后對當(dāng)前節(jié)點做平滑，平滑系數(shù)是(0,1)，值越大越受當(dāng)前值的影響。

參考參數(shù)：lag=5左右, threshold=3.5左右, influence=0.5左右

總結(jié)

以上是生活随笔為你收集整理的python时间序列异常值查找_（No.38）时间序列异常点检测算法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。