时序异常检测的四种方法的文字流程

时序异常检测--四种不同类型方法的文字流程

方法 1. 基于预测与统计的时序数据异常检测（Prophet+3σ）

（1） 初始化 Prophet 模型，设定节假日相关参数，并利用历史数据完成模型的训练过程。

（2） 构建预测体系，明确数据的细化程度及预测步长，依据设定的步长对未来的日期进行推算，并生成预测结果图像与成分趋势分析图。（在预测图像中，黑色圆点代表真实观测值，蓝色曲线表示预测值，浅蓝色区域为置信区间；成分趋势图包含四类展示内容，分别对应趋势增长项、节假日影响、季节性变化（按周和按年划分）的可视化呈现）。

（3） 对特定时间段内的数据进行检验，若其符合正态分布特征，则计算该段数据的平均数与标准差。随后，在 Prophet 预测所给出的上下限基础上分别增加和减少三倍标准差，从而确定合理的数据波动区间。当实际观测值超出该区间时，将其判定为异常数据。

方法二：ARIMA 模型（适用于单变量时序预测）

（1） 对初始序列实施平稳性检测，若发现其方差与均值呈现不稳定性，则采用差分处理方式将其转换为平稳序列。

（2） 在完成数据差分处理后，进一步绘制时序图、自相关图以及偏相关图以辅助分析。

（3） 对经过差分处理后的序列进行白噪声检验，若结果表明其并非白噪声，则说明数据中仍存在某种相关关系。