本文將介紹在時間序列預(yù)測相關(guān)問題中常見的異常檢測算法，可以很大程度上幫助改善最終預(yù)測效果。

異常分類

時間序列的異常檢測問題通常表示為相對于某些標(biāo)準(zhǔn)信號或常見信號的離群點。雖然有很多的異常類型，但是我們只關(guān)注業(yè)務(wù)角度中最重要的類型，比如意外的峰值、下降、趨勢變化以及等級轉(zhuǎn)換（level shifts）。

常見的異常有如下幾種：

• 革新性異常：innovational outlier (IO)，造成離群點干擾不僅作用于X(T)，而且影響T時刻以后序列的所有觀察值。

• 附加性異常：additive outlier (AO)，造成這種離群點的干擾，只影響該干擾發(fā)生的那一個時刻T上的序列值，而不影響該時刻以后的序列值。

• 水平移位異常：level shift (LS)，造成這種離群點的干擾是在某一時刻T，系統(tǒng)的結(jié)構(gòu)發(fā)生了變化，并持續(xù)影響T時刻以后的所有行為，在數(shù)列上往往表現(xiàn)出T時刻前后的序列均值發(fā)生水平位移。

• 暫時變更異常temporary change (TC)：造成這種離群點的干擾是在T時刻干擾發(fā)生時具有一定初始效應(yīng)，以后隨時間根據(jù)衰減因子的大小呈指數(shù)衰減。

上面的解釋可能不太容易理解，我們結(jié)合圖片來看一下：

通常，異常檢測算法應(yīng)該將每個時間點標(biāo)記為異常/非異常，或者預(yù)測某個點的信號，并衡量這個點的真實值與預(yù)測值的差值是否足夠大，從而將其視為異常。使用后面的方法，你將能夠得到一個可視化的置信區(qū)間，這有助于理解為什么會出現(xiàn)異常并進(jìn)行驗證。

常見異常檢測方法

從分類看，當(dāng)前發(fā)展階段的時序異常檢測算法和模型可以分為一下幾類：

• 統(tǒng)計模型：優(yōu)點是復(fù)雜度低，計算速度快，泛化能力強悍。因為沒有訓(xùn)練過程，即使沒有前期的數(shù)據(jù)積累，也可以快速的投入生產(chǎn)使用。缺點是準(zhǔn)確率一般。但是這個其實是看場景的，并且也有簡單的方法來提高業(yè)務(wù)層面的準(zhǔn)確率。這個后面會提到。

• 機器學(xué)習(xí)模型：魯棒性較好，準(zhǔn)確率較高。需要訓(xùn)練模型，泛化能力一般。

• 深度學(xué)習(xí)模型：普遍需要喂大量的數(shù)據(jù)，計算復(fù)雜度高。整體看，準(zhǔn)確性高，尤其是近段時間，強化學(xué)習(xí)的引入，進(jìn)一步鞏固其準(zhǔn)確性方面的領(lǐng)先優(yōu)勢。

3-Sigma

3-Sigma原則又稱為拉依達(dá)準(zhǔn)則，該準(zhǔn)則定義如下：假設(shè)一組檢測數(shù)據(jù)只含有隨機誤差，對原始數(shù)據(jù)進(jìn)行計算處理得到標(biāo)準(zhǔn)差，然后按一定的概率確定一個區(qū)間，認(rèn)為誤差超過這個區(qū)間的就屬于異常值。

使用3-Sigma的前提是數(shù)據(jù)服從正態(tài)分布，滿足這個條件之后，在3-Sigma范圍(μ–3σ,μ+3σ)內(nèi)99.73%的為正常數(shù)據(jù)，其中σ代表標(biāo)準(zhǔn)差,μ代表均值，x=μ為圖形的對稱軸。下面是3-Sigma的Python實現(xiàn)：

import numpy as np def three_sigma(df_col):'''df_col：DataFrame數(shù)據(jù)的某一列'''rule = (df_col.mean() - 3 * df_col.std() > df_col) | (df_col.mean() + 3 * df_col.std() < df_col)index = np.arange(df_col.shape[0])[rule]out_range = df_col.iloc[index]return out_range

對于異常值檢測出來的結(jié)果，有多種處理方式，如果是時間序列中的值，那么我們可以認(rèn)為這個時刻的操作屬于異常的；如果是將異常值檢測用于數(shù)據(jù)預(yù)處理階段，處理方法有以下四種：

• 刪除帶有異常值的數(shù)據(jù)；

• 將異常值視為缺失值，交給缺失值處理方法來處理；

• 用平均值進(jìn)行修正；

• 當(dāng)然我們也可以選擇不處理。

Grubbs測試

Grubbs’Test為一種假設(shè)檢驗的方法，常被用來檢驗服從正太分布的單變量數(shù)據(jù)集（univariate data set）Y 中的單個異常值。若有異常值，則其必為數(shù)據(jù)集中的最大值或最小值。原假設(shè)與備擇假設(shè)如下：

• H0: 數(shù)據(jù)集中沒有異常值

• H1: 數(shù)據(jù)集中有一個異常值

使用Grubbs測試需要總體是正態(tài)分布的。算法流程：

樣本從小到大排序

求樣本的mean和dev

計算min/max與mean的差距，更大的那個為可疑值

求可疑值的z-score (standard score)，如果大于Grubbs臨界值，那么就是outlier

Grubbs臨界值可以查表得到，它由兩個值決定：檢出水平α（越嚴(yán)格越小），樣本數(shù)量n，排除outlier，對剩余序列循環(huán)做 1-4 步驟。由于這里需要的是異常判定，只需要判斷tail_avg是否outlier即可。

from outliers import smirnov_grubbs as grubbs print(grubbs.test([8, 9, 10, 1, 9], alpha=0.05)) print(grubbs.min_test_outliers([8, 9, 10, 1, 9], alpha=0.05)) print(grubbs.max_test_outliers([8, 9, 10, 1, 9], alpha=0.05)) print(grubbs.max_test_indices([8, 9, 10, 50, 9], alpha=0.05))

S-ESD與S-H-ESD

鑒于時間序列數(shù)據(jù)具有周期性（seasonal）、趨勢性（trend），異常檢測時不能作為孤立的樣本點處理；故而Twitter的工程師提出了S- ESD (Seasonal ESD)與S-H-ESD (Seasonal Hybrid ESD)算法，將ESD擴展到時間序列數(shù)據(jù)。

STL分解

STL (Seasonal-Trend decomposition procedure based on Loess) 為時序分解中一種常見的算法，基于LOESS將某時刻的數(shù)據(jù)Yv分解為趨勢分量（trend component）、季節(jié)性分量（seasonal component）和殘差（remainder component）:

?

由上到下依次為：原始時間序列和使用 STL 分解得到的季節(jié)變化部分、趨勢變化部分以及殘差部分。

STL分為內(nèi)循環(huán)（inner loop）與外循環(huán)（outer loop），其中內(nèi)循環(huán)主要做了趨勢擬合與周期分量的計算。假定T(k)v、Sv(k)為內(nèi)循環(huán)中第k-1次pass結(jié)束時的趨勢分量、周期分量，初始時T(k)v=0；并有以下參數(shù)：

• n(i)內(nèi)層循環(huán)數(shù)

• n(o)外層循環(huán)數(shù)

• n(p)為一個周期的樣本數(shù)

• n(s)為Step 2中LOESS平滑參數(shù)

• n(l)為Step 3中LOESS平滑參數(shù)

• n(t)為Step 6中LOESS平滑參數(shù)

每個周期相同位置的樣本點組成一個子序列（subseries），容易知道這樣的子序列共有共有n(p)個，我們稱其為cycle-subseries。

Python的statsmodels實現(xiàn)了一個簡單版的時序分解，通過加權(quán)滑動平均提取趨勢分量，然后對cycle-subseries每個時間點數(shù)據(jù)求平均組成周期分量：

使用示例：

import numpy as np import pandas as pd from statsmodels.tsa.seasonal import seasonal_decompose import matplotlib.pyplot as plt # Generate some data np.random.seed(0) n = 1500 dates = np.array('2019-01-01', dtype=np.datetime64) + np.arange(n) data = 12 * np.sin(2 * np.pi * np.arange(n) / 365) + np.random.normal(12, 2, 1500) df = pd.DataFrame({'data': data}, index=dates) # Reproduce the example in OP seasonal_decompose(df, model='additive', period=1).plot() plt.show()

S-ESD

STL將時間序列數(shù)據(jù)分解為趨勢分量、周期分量和余項分量。想當(dāng)然的解法——將ESD運用于STL分解后的余項分量中，即可得到時間序列上的異常點。但是，我們會發(fā)現(xiàn)在余項分量中存在著部分假異常點（spurious anomalies）。如下圖所示：

在紅色矩形方框中，向下突起點被誤報為異常點。為了解決這種假陽性降低準(zhǔn)確率的問題，S-ESD算法用中位數(shù)（median）替換掉趨勢分量；

使用示例：

import numpy as np import sesd ts = np.random.random(100) # Introduce artificial anomalies ts[14] = 9 ts[83] = 10 outliers_indices = sesd.seasonal_esd(ts, periodicity=20, hybrid=True, max_anomalies=2) for idx in outliers_indices:print(f'Anomaly index: {idx}, anomaly value: {ts[idx]}')

移動平均/加權(quán)移動平均/指數(shù)加權(quán)移動平均

移動平均 moving average

給定一個時間序列和窗口長度N，moving average等于當(dāng)前data point之前N個點（包括當(dāng)前點）的平均值。不停地移動這個窗口，就得到移動平均曲線。

累加移動平均 cumulative moving average

設(shè){xi:i≥1}是觀察到的數(shù)據(jù)序列。累積移動平均線是所有數(shù)據(jù)的未加權(quán)平均值。如果若干天的值是x1,…,xi，那么：

加權(quán)移動平均 weighted moving average

加權(quán)移動平均值是先前w個數(shù)據(jù)的加權(quán)平均值

指數(shù)加權(quán)移動平均 exponential weighted moving average

指數(shù)移動與移動平均有些不同：

• 并沒有時間窗口，用的是從時間序列第一個data point到當(dāng)前data point之間的所有點。

• 每個data point的權(quán)重不同，離當(dāng)前時間點越近的點的權(quán)重越大，歷史時間點的權(quán)重隨著離當(dāng)前時間點的距離呈指數(shù)衰減，從當(dāng)前data point往前的data point，權(quán)重依次為

該算法可以檢測一個異常較短時間后發(fā)生另外一個異常的情況，異常持續(xù)一段時間后可能被判定為正常。

ARIMA 模型

自回歸移動平均模型（ARIMA）是一種設(shè)計上非常簡單的方法，但其效果足夠強大，可以預(yù)測信號并發(fā)現(xiàn)其中的異常。該方法的思路是從過去的幾個數(shù)據(jù)點來生成下一個數(shù)據(jù)點的預(yù)測，在過程中添加一些隨機變量（通常是添加白噪聲）。以此類推，預(yù)測得到的數(shù)據(jù)點可以用來生成新的預(yù)測。很明顯：它會使得后續(xù)預(yù)測信號數(shù)據(jù)更平滑。使用這種方法最困難的部分是選擇差異數(shù)量、自回歸數(shù)量和預(yù)測誤差系數(shù)。另一個障礙是信號經(jīng)過差分后應(yīng)該是固定的。也就是說，這意味著信號不應(yīng)該依賴于時間，這是一個比較顯著的限制。

異常檢測是利用離群點來建立一個經(jīng)過調(diào)整的信號模型，然后利用t-統(tǒng)計量來檢驗該模型是否比原模型能更好的擬合數(shù)據(jù)。

在這種情況下，你可以找到適合信號的 ARIMA 模型，它可以檢測出所有類型的異常。

神經(jīng)網(wǎng)絡(luò)

與CART方法一樣，神經(jīng)網(wǎng)絡(luò)有兩種應(yīng)用方式：監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。我們處理的數(shù)據(jù)是時間序列，所以最適合的神經(jīng)網(wǎng)絡(luò)類型是 LSTM。如果構(gòu)建得當(dāng)，這種循環(huán)神經(jīng)網(wǎng)絡(luò)將可以建模實現(xiàn)時間序列中最復(fù)雜的依賴關(guān)系，包括高級的季節(jié)性依賴關(guān)系。如果存在多個時間序列相互耦合，該方法也非常有用。該領(lǐng)域還在研究中，可以參考這里，構(gòu)建時序模型需要大量的工作。構(gòu)建成功完成后，就可能在精確度方面取得優(yōu)異的成績。

往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載機器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機器學(xué)習(xí)在線手冊深度學(xué)習(xí)筆記專輯《統(tǒng)計學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載機器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯 獲取本站知識星球優(yōu)惠券，復(fù)制鏈接直接打開： https://t.zsxq.com/qFiUFMV 本站qq群704220115。加入微信群請掃碼：

總結(jié)

以上是生活随笔為你收集整理的【时间序列】时序预测竞赛之异常检测算法综述的全部內(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。