怎样评价时间序列异常检测的效果( 四 )
?
预测tsoutliers（）函数包 中的tsoutliers()功能forecast是在执行预测之前有效收集异常值以进行清洁的好方法。它使用基于STL的离群值检测方法，其具有围绕时间序列分解的余数的3X内四分位数范围。它非常快，因为最多有两次迭代来确定异??常值带。但是，它没有设置整洁的工作流程。也不允许调整3X。一些时间序列可能需要更多或更少，这取决于剩余部分的方差的大小与异常值的大小的关系。
tsoutliers包该tsoutliers软件包非常有效地用于检测异常的许多传统预测时间序列。但是，速度是一个问题，特别是在尝试扩展到多个时间序列或分钟或秒时间戳数据时。
在审查可用的软件包时，我们从中了解到所有软件包的最佳组合：
分解方法：我们包括两个时间序列分解方法:( "stl"使用Loess的传统季节分解）和"twitter"（使用中间跨度的季节分解）。异常检测方法：我们包括两种异常检测方法:( "iqr"使用类似于3X IQR的方法forecast::tsoutliers()）和"gesd"（使用Twitter使用的GESD方法AnomalyDetection）。另外，我们对自己做了一些改进：
Anomalize Scales Well：工作流程整洁，可与dplyr群组进行缩放。这些函数按分组时间序列按预期运行，这意味着您可以轻松地将500个时间序列数据集异常化为单个数据集。用于分析异常的视觉效果：我们提供了一种方法来围绕分离异常值的“正常”数据。人是视觉的，乐队在确定方法的工作方式或是否需要进行调整时非常有用。我们包括两个绘图函数因此很容易看到“anomalize工作流程”期间发生了什么事，并提供一种方法来评估的“调节旋钮”驱动的影响time_decompose()和anomalize()。基于时间：整个工作流程使用tibbletime基于时间的索引设置数据。这很好，因为根据我们的经验，几乎所有时间数据都带有日期或日期时间戳，这对数据的特征非常重要。无需计算在频率跨度或趋势跨度内有多少观测值。我们设置time_decompose()处理frequency和trend使用基于时间的跨度，例如“1周”或“2季度”（由...提供tibbletime）。结论 我们的客户对此非常满意，看到我们可以继续构建每个人都可以享受的新功能和功能令人兴奋。
有问题欢迎下方留言！
推荐阅读
- 聪明人养花，这3种“花”怎样也要养一盆，每年能省不少医药费
- 互联网怎样解决“家政服务上门速度慢”的问题
- 怎样看待从1月8号起，QQ钱包开始提现收费
- 银行it人怎样转型
- 汽车|冬天怎样让车内温度快速升高？座椅加热的最佳使用方式二，外循环的作用总结
- 怎样进入通信行业
- 怎样评价扶他柠檬茶的小说《云养汉》的结尾
- 怎样成为一名合格的Python程序员?
- 怎样评价华为、诺基亚、中兴中标中国移动高端路由交换设备扩容集采
- 怎样评价类似前橙会、百老汇、南极圈这样类型的离职帮抱团，对企业的积极意义和消极意义