我對時間序列異常點算法小結：

基于時間序列的異常檢測算法小結_Jasminexjf的博客-CSDN博客_基于時間序列的異常檢測算法

當前異常檢測類型：

最重要的異常類型，例如意外的峰值、下降、趨勢變化和水平轉移

我主要研究的是負荷預測的突變點，所以異常針對的是：

STL分解: 你所能做的就是利用顯著性水平來調整你的置信區間

分類與回歸樹:?xgboost??缺點是越來越多的特征會很快影響您的計算性能。

在我的數據集中，異常點并沒有被標記，讓 CART 算法自動尋找數據集中的模式，預測異常點的置信區間，可以引入許多特征參數來執行學習并獲得復雜的模型，但是應該對特征進行選擇，特征太多，會影響性能

ARIMA

突變點檢測：時間序列趨勢檢驗以及突變點檢測任務簡說

突變點檢測：時間序列趨勢檢驗以及突變點檢測任務簡說_Watch_dou的博客-CSDN博客_時間序列突變點檢測?????????????

?其中BG切割算法，可以參考這篇：《多維時間序列突變點檢測方法研究》

對洪峰突變點檢測，對七日最大洪量檢測，對洪峰洪量進行BG預測，還可對其進行皮爾遜相關系數分析，滑動T檢驗法對竹山站年平均徑流序列進行檢驗---結果差不多

針對我要研究的負荷預測---肯定會有天氣，節假日，周末，季初季末，月初月末因素等影響，因此也是多維時間序列。

MK檢驗：優點：數據不需要遵循什么分布，不受少數異常值的干擾，計算簡便。

? ? ? ? ? ? ? ? 缺點：不適用于檢測多個突變點的序列

pettitt方法：非參數檢驗，直接利用秩序列做突變點

滑動T檢驗：通過考察兩組樣本平均值的差異是否顯著來檢驗突變

指間平滑法：缺點：如果您需要跟蹤幾個季節周期，例如同時具有周和年依賴項，則應該只選擇一個。通常，它是最短的

神經網絡：？？？

k-sigma的同比算法：即當前數據點的狀態由之前不同周期的相同位置數據(比如上周或者前一天的同一時刻)決定，通過歷史同期的數據分布來確定當前數據的合理波動范圍

? ? ? ? ? ? ? ? ? ? ? ?缺點：很多數據是不符合這種正態分布的假設的數據絕不是平穩的、每個周期完全一樣的， 很難用單一的統計方式來解決

Prophet：適用于形態較穩定，有周期特性的數據，同時考慮了節假日的特性。由于Prophet采用傅里葉級數來處理周期性因子，導致一般夜間(波動較小)的數據情況較難預測準確；它更關注整體的波動狀態，對一些局部信息的捕捉較差。

總結

以上是生活随笔為你收集整理的时间序列突变点检测的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。