本文關注的是時間序列中的異常上公升，異常下降，趨勢變化等。
1. 基於stl(season-trend decomposition procedure based on loess)將時間序列分為trend, season, residue. 為residue設定threshold, 確定異常點，是基於上述演算法的乙個實現；
2. 利用分類樹演算法建立是否是異常點的**模型，對結果進行**；
3. 利用arima模型，對資料進行建模，某個點加入模型與從模型中刪除，對結果是否有很大的影響；(r中的tsoutliers包)
4. 利用exponential smoothing建模，考察某個點加入或者刪除對結果的影響；
5. 利用neural network演算法建立是否是異常點的**模型，對結果進行**；
需要注意的是：
1. 如果最簡單的模型可以達到需求的話，就選用最簡單的模型；
2. 嘗試較複雜的模型，如果簡單模型效果不好的情況下；
3. 最好不要試圖建立乙個萬能演算法。
基於概率建模的多維時間序列的異常檢測
摘要 亞馬遜提出的deepar演算法基於seq2seq模型對單維時間序列進行建模 基於 結果對時間序列中的異常點進行識別，但這種方法不適用於多維度的時間序列建模。在利用iot ai對現實世界中的物理裝置進行異常檢測的過程中，乙個裝置的運轉 健康狀態往往是由一系列指標共同決定的，指標之間並非相互獨立的...
hivemall之時間序列資料異常檢測
安裝hivemall git clone cd incubator hivemall bin build.sh 啟動hive和匯入相關 jar add jar home hadoop incubator hivemall target hivemall core 0.4 2 rc 2 with de...
Json序列化空時間欄位出異常
最近遇到乙個妖怪問題，wcf rest service 以xml格式就可以工作，json格式就出異常。除錯之後發現，是時間字段導致。如果你的類裡面有datetime欄位，沒有賦值，那麼預設值是datetime.minvalue.這時datacontractjsonserializer類就會拋異常，具...