Alla ricerca di un buon pacchetto per il rilevamento di anomalie nelle serie temporali

Esiste un pacchetto open source completo (preferibilmente in Python o R) che può essere utilizzato per il rilevamento di anomalie nelle serie temporali?

Esiste un pacchetto SVM di una classe in scikit-learn ma non è per i dati di serie temporali. Sto cercando pacchetti più sofisticati che, ad esempio, utilizzano reti bayesiane per il rilevamento di anomalie.

So di essere un po 'in ritardo qui, ma sì, esiste un pacchetto per il rilevamento di anomalie insieme a schemi di combinazione anomali.

È ancora nella sua fase iniziale di sviluppo su Github e sarà presto pubblicato in JMLR.

Il pacchetto è in linguaggio Python e il nome del pacchetto è pyod ( https://github.com/yzhao062/Pyod ).

Ha più algoritmi per i seguenti approcci individuali:

1. Modelli lineari per rilevamento anomalo ( PCA, vMCD, vOne-Class e SVM )
2. Modelli di rilevamento di valori anomali basati sulla prossimità ( LOF, CBLOF, HBOS, KNN, AverageKNN e MedianKNN )
3. Modelli probabilistici per rilevamento anomalo ( ABOD e FastABOD )
4. Ensemble anomali e quadri di combinazione ( IsolationForest e FeatureBagging )
5. Reti neurali e modelli di apprendimento profondo ( Auto-encoder con rete neurale completamente connessa )

Infine, se stai cercando specifiche serie temporali di per sé, questo link github sarà utile.

Ha i seguenti pacchetti elenco per il rilevamento dei valori anomali di timeseries:

datastream.io

orizzonte

banpei

AnomalyDetection

Esistono diversi modi per gestire le anomalie delle serie temporali:

1) Se si conoscono anomalie , costruire un modello di classificazione. Utilizzare questo modello per rilevare lo stesso tipo di anomalie per i dati delle serie temporali.

2) Se le anomalie sono sconosciute , ciò che abbiamo fatto nella nostra organizzazione- è una combinazione di raggruppamento e classificazione-

Per prima cosa usa LOF / K-media / distanza di Cook per identificare i valori anomali. Converti interi dati in problemi di classificazione dato che ora abbiamo 2 classi: valori anomali e normali. Ora costruisci un modello di classificazione e ottieni regole (modello di classificazione) per identificare l'anomalia in fase di esecuzione (dati delle serie temporali).

3) Se le anomalie sono sconosciute , durante la mia ricerca, il modo più comune per identificare le anomalie è quello di costruire un modello normale e qualsiasi deviazione dal modello normale (errore) è anormale, quindi in ogni caso prevedi le tue serie temporali per l'ora successiva e poi confronta con valori reali. Se l'errore è più del previsto, sta accadendo qualcosa di anormale.

Non sono stato in grado di trovare alcun pacchetto diretto in Python o R per farlo, poiché nessuno sapeva cosa fosse davvero anormale: P, in tutti i casi è stato correlato al rilevamento anomalo.

alcuni link utili

https://machinelearningstories.blogspot.com/2018/12/easiest-way-of-detection-abnormality.html

https://machinelearningstories.blogspot.com/2018/07/anomaly-detection-anomaly-detection-by.html

Prova la Libreria dei profeti

Il profeta è una procedura per la previsione dei dati delle serie temporali basata su un modello additivo in cui le tendenze non lineari si adattano alla stagionalità annuale, settimanale e giornaliera, oltre agli effetti festivi. Funziona meglio con serie temporali che hanno forti effetti stagionali e diverse stagioni di dati storici. Prophet è robusto per la mancanza di dati e cambiamenti di tendenza e in genere gestisce bene i valori anomali.

Maggiori informazioni su: Rilevazione di anomalie in serie temporali con la libreria Prophet

• https://towardsdatascience.com/anomaly-detection-with-time-series-forecasting-c34c6d04b24a