machine-learning - 如何检测季节性时间序列传感器数据中的异常？

Question

我正在努力检测时间序列传感器数据中的异常。我的数据如下所示：

| Timestamp           | Temperature |
| 2018-04-01 10:00:00 |  19.00      |
| 2018-04-01 11:00:00 |  21.00      |
| 2018-04-01 12:00:00 |  22.00      |

我也可以提供一个标签，但这个标签不是很准确：

| Timestamp           | Temperature | IsBroken |
| 2018-04-01 10:00:00 | 19.00       | 0        |
| 2018-04-01 11:00:00 | 21.00       | 0        |
| 2018-04-01 12:00:00 | 01.00       | 1        |

我还可以提供该地区的其他传感器，例如湿度传感器等。或者该地区的平均温度。

我找到了很多关于算法的资源，但我不知道如何从技术上解决这个问题。有人可以帮助我或至少将我推向正确的方向吗？

目标是根据过去的结果在未来的传感器数据中检测传感器是否损坏。

Answer 1

异常值和异常检测是一个广泛的主题。如果您正在寻找易于理解但功能强大的东西，请尝试隔离森林（链接）。该算法应该能够找到传感器报告某些异常值组合的日期。