มีหลายวิธีในการจัดการความผิดปกติของอนุกรมเวลา -
1) หากทราบความผิดปกติให้สร้างแบบจำลองการจำแนกประเภท ใช้โมเดลนี้เพื่อตรวจจับความผิดปกติประเภทเดียวกันสำหรับข้อมูลอนุกรมเวลา
2) หากไม่ทราบความผิดปกติสิ่งที่เราทำในองค์กรของเรา - คือการรวมกันของการจัดกลุ่มและการจำแนก -
ใช้งานครั้งแรก LOF / K-mean / Cook's distance เพื่อระบุค่าผิดปกติ แปลงข้อมูลทั้งหมดเป็นปัญหาการจำแนกเนื่องจากเรามี 2 คลาสในขณะนี้ - ค่าผิดปกติและค่าปกติ ตอนนี้สร้างโมเดลการจัดประเภทและรับกฎ (โมเดลการจำแนก) เพื่อระบุความผิดปกติในเวลาทำงาน (ข้อมูลอนุกรมเวลา)
3) หากความผิดปกติไม่เป็นที่รู้จักในระหว่างการวิจัยของฉันวิธีที่พบมากที่สุดในการระบุความผิดปกติคือการสร้างแบบจำลองปกติและการเบี่ยงเบนใด ๆ จากแบบจำลองปกติ (ข้อผิดพลาด) ผิดปกติดังนั้นในกรณีที่คุณคาดการณ์อนุกรมเวลาสำหรับชั่วโมงถัดไป ด้วยค่าจริง หากเกิดข้อผิดพลาดมากกว่าที่คาดหมายจะมีบางสิ่งผิดปกติเกิดขึ้น
ฉันไม่สามารถค้นหาแพ็คเกจโดยตรงใน python หรือ R ได้เนื่องจากไม่มีใครรู้ว่ามีอะไรผิดปกติจริงๆ: P ในทุกกรณีที่เกี่ยวข้องกับการตรวจจับนอกขอบเขต
ลิงค์ที่มีประโยชน์บางอย่าง
https://machinelearningstories.blogspot.com/2018/12/easiest-way-of-detection-abnormality.html
https://machinelearningstories.blogspot.com/2018/07/anomaly-detection-anomaly-detection-by.html