Có nhiều cách để xử lý các bất thường chuỗi thời gian-
1) Nếu bất thường được biết đến , xây dựng một mô hình phân loại. Sử dụng mô hình này để phát hiện cùng loại bất thường cho dữ liệu chuỗi thời gian.
2) Nếu những bất thường không rõ , những gì chúng tôi đã làm trong tổ chức của chúng tôi - là sự kết hợp của phân cụm và phân loại-
Đầu tiên sử dụng LOF / K-nghĩa / Khoảng cách của Cook để xác định các ngoại lệ. Chuyển đổi toàn bộ dữ liệu thành vấn đề phân loại vì hiện tại chúng tôi đã có 2 lớp - Ngoại lệ và quy tắc. Bây giờ xây dựng một mô hình phân loại và nhận các quy tắc (mô hình phân loại) để xác định sự bất thường trong thời gian chạy (dữ liệu chuỗi thời gian).
3) Nếu không rõ các bất thường , trong quá trình nghiên cứu của tôi, cách phổ biến nhất để xác định các bất thường là xây dựng một mô hình bình thường và bất kỳ sai lệch nào so với mô hình bình thường (lỗi) là bất thường, vì vậy trong trường hợp bạn dự báo chuỗi thời gian của mình cho giờ tiếp theo với các giá trị thực tế. Nếu lỗi nhiều hơn mong đợi, một cái gì đó bất thường đang xảy ra.
Tôi không thể tìm thấy bất kỳ gói trực tiếp nào trong python hoặc R để làm như vậy, vì không ai biết điều gì thực sự bất thường: P, trong tất cả các trường hợp, nó có liên quan đến phát hiện ngoại lệ.
một số liên kết hữu ích-
https://machinelearningstories.blogspot.com/2018/12/easiest-way-of-detection-abnormality.html
https://machinelearningstories.blogspot.com/2018/07/anomaly-detection-anomaly-detection-by.html