python - 哪种算法适合我的时间序列数据？

Question

我在监控团队工作，我们会监控我们工具上的客户端负载。我们记录了与时间序列相关的延迟。

最初，我保留了一个静态阈值来提高异常检测。但是，如果发生季节性，它就不起作用。现在，我计划在我的数据上应用 ML。

我的数据看起来像：

volume_nfs_ops   timestamp           mount_point
---------------------------------------------------------
2103             6/28/2018 3:16      /slowfs/us01dwt2p311
12440            6/28/2018 6:03      /slowfs/us01dwt2p311
14501            6/28/2018 14:20     /slowfs/us01dwt2p311
12482            6/28/2018 14:45     /slowfs/us01dwt2p311
10420            6/28/2018 18:09     /slowfs/us01dwt2p311
7203             6/28/2018 18:34     /slowfs/us01dwt2p311
14104            6/28/2018 21:58     /slowfs/us01dwt2p311
6996             6/29/2018 7:35      /slowfs/us01dwt2p311
11282            6/29/2018 8:39      /slowfs/us01dwt2p311

当我做谷歌时，我想到了 ARIMA 是时间序列的最佳模型。我对数学很感兴趣，可以弄清楚各自的 ARIMA 是否对我的数据集有好处。

我的问题是哪种算法最适合在 Python 中实现？我应该考虑哪些因素来发现异常？

Answer 1

有很多异常检测技术。即使要检测时间序列数据中的异常，也无需进入时间序列预测算法。很少有方法-

A) 如果您知道异常，请使用分类算法。在您的情况下可能是异常的阈值？-

https://machinelearningstories.blogspot.com/2018/07/anomaly-detection-anomaly-detection-by.html

B）如果数据中没有已知的异常。那么您需要进行无监督的异常检测算法。K-Means、LOF、CBF、PCA、Angular 等。

C）无监督算法（聚类的异常值）从不给出异常值，而是这些异常值，所以如果你觉得你的异常值代表异常，那么使用这些基于聚类（B）的异常检测算法。

4) 异常检测和时间序列完全是专业领域。不要混淆。如果您正在寻找无人监督的异常检测算法，我可以分享一些文件。