EGADS介绍(二)--时序模型和异常检测模型算法的核心思想

本文主要是介绍EGADS介绍(二)--时序模型和异常检测模型算法的核心思想，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

EDADS系统包含了众多的时序模型和异常检测模型，这些模型的处理会输入很多参数，若仅使用默认的参数，那么时序模型预测的准确率将无法提高，异常检测模型的误报率也无法降低，甚至针对某些时间序列这些模型将无法使用。

若想有效地使用EGADS系统，那么必须了解EGADS系统的核心算法思想，并据此调优模型参数，来提高异常检测的准确率、降低误报率。

笔者通过阅读EDADS系统的TimeSeries模型和AnomalyDetection模型的源码，整理了模型的处理流程和常用算法的核心思想。如本文有理解错误之处，欢迎大家随时拍砖指正。

1. TSM时序模型

1.1 时序模型处理流程

时序模型接口主要包含的方法：train()、predict()，其类结构如下图所示。时序模型的主要处理流程：

• 先调用train方法训练出模型
• 在调用predict方法，得到时间序列的预测值

时序模型的实现类都遵循以上的处理流程。

1.2 时序模型列表

1.3 OlympicModel算法核心思想

OlympicModel 是时序数据的季节性模型，该算法的核心思想：某个数据点的预测值是历史n个同期数据的平滑平均值。特别适用于预测有周期的，甚至是嵌套周期的曲线。这里举例说明下什么是嵌套周期，例如：某个数据集每周的波动曲线相似，并且周一至周五是一类波动曲线，周六和周日是一类波动曲线。面对嵌套周期的波动曲线，仅以固定间隔作为周期的预测算法的效果不太理想。

OlympicModel模型的数据结构：

• data存储观察值，底层的数据结构是ArrayList

• model存储期望值，底层的数据结构是ArrayList

OlympicModel模型训练的核心思想：

1. 将data的第一个最小周期的数据作为期望值存入model
2. 对于data剩余的数据点，计算出期望值后存入model
   1. 期望值计算：找出历史同期的所有数据点，去掉可能的异常点（最大值和最小值），剩余数据点的平均值就是该时间点的期望值。
   2. 整个处理流程：针对每层嵌套周期（共w层），每个偏移量（共j个），计算出当前时间点、漂移到下一个时间点、漂移到上一个时间点的期望值，在这些期望值（w*j*3）中选择一个与真实值偏差最小的，作为该时间点的期望值。
3. 计算出预测值model与真实值data的所有误差指标（误差指标用于AutoForecastModel筛选出哪个模型更优）

2. ADM异常检测模型

2.1 异常检测模型处理流程

异常检测模型的接口主要包含的方法：tune()、detect()，其类结构如下图所示。异常检测模型的主要处理流程：

• 先调用tune方法，根据训练数据调教出异常检测模型的阈值参数
• 在调用detect方法，检测出异常值

异常检测模型的实现类都遵循以上的处理流程。

2.2 异常检测模型列表

2.3 ExtremeLowDensityModel 算法核心思想

ExtremeLowDensityModel是基于密度的异常检测模型，其算法思想类似于聚类算法。输入的数据序列为预测值与真实值的差值的绝对值，然后把数据序列按照从大到小排序，在使用聚类算法把数据序列划分为两类：异常点簇和正常点簇，其临界值为异常点簇的最小值。这里聚类算法使用的距离公式为：3*正常点集合的标准差。

ExtremeLowDensityModel模型输入的数据结构：

1. 观察值序列，长度为n, 底层的数据结构是ArrayList
2. 预测值序列，长度为n, 底层的数据结构是ArrayList

ExtremeLowDensityModel模型自适应阈值算法的核心思想：

1. 计算出观测值和预测值的全部误差指标
   1. 对于每个时间点t，计算出对应观察值和预测值的所有误差指标，误差指标有5个：mae（绝对误差）、smape、mape、mase、mapee.
   2. 将误差指标组合成一个map，其中key表示误差指标，value表示误差指标对应的n个误差值
2. 对于每项误差指标，使用基于密度分布的方式计算出灵敏度，将灵敏度作为该项误差指标的阈值
   1. 把n个误差值，按照从大到小进行排序
   2. 初始化一个簇，把第一个数据点移入初始化簇
   3. 计算出剩余n-1个点的标准差*3作为簇间最大距离的阈值
   4. 判断下个数据点与初始化簇的中心点距离是否小于簇间最大距离的阈值
   5. 若小于，则从剩余数据点中移除下个数据点，加入到初始簇中，并重新计算初始化簇的中心点，重新计算剩余数据点的簇间最大阈值，并返回到步骤4
   6. 若大于，则停止迭代，此时会把全部数据点划分为两个簇
   7. 如果初始化簇的数据点个数占比其他簇的数据点个数，超过某个比例（0.05），那么认为不能做异常检测，返回正无穷大；否则把初始化簇和其他簇分割开的临界点的值，作为灵敏度并返回
   8. 从误差指标map中获取指定的误差指标对应的n个误差值
   9. 根据n个误差值，使用基于密度分布的方式计算出灵敏度（核心算法）
   10. 将误差指标和灵敏度保存到map，该map则保存了各个误差指标的阈值

ExtremeLowDensityModel模型检测异常算法的核心思想：

1. 将各项误差指标（5个）的阈值存入数组
2. 计算出每个时间点t对应的真实值与期望值的各项误差指标值（5个）
3. 若待检测点处于检测窗口，且待检测点的任一误差指标值超过了对应的阈值，则待检测点为异常点

2.3 KSigmaModel 算法核心思想

Ksigma算法是一种常用的异常检测算法，如果整体数据服从正态分布，若一个点偏离均值K倍标准差，则该点被视为异常点。可以根据对业务的理解和时序曲线，找到合适的K值用来作为不同级别的异常报警。

假设预测值与真实值的误差值序列符合正态分布，那么可以使用KSigmaModel模型做异常检测，其阈值计算规则为：均值 + 3*标准差。若某时刻t的数据点超过该阈值，则认为该时刻对应的数据点异常。

KSigmaModel模型输入的数据结构：

1. 观察值序列，长度为n, 底层的数据结构是ArrayList
2. 预测值序列，长度为n, 底层的数据结构是ArrayList

KSigmaModel模型调教阈值算法的核心思想：

1. 计算观测值相比预测值全部的误差指标
   1. 对于每个时间点t，计算出对应观察值和预测值的所有误差指标，误差指标有5个：mae（绝对误差）、smape、mape、mase、mapee.
   2. 将误差指标组合成一个map，其中key表示误差指标，value表示误差指标对应的n个误差值
2. 对于每项误差指标(共5项)，使用简单的KSigma规则计算出异常灵敏度，将灵敏度作为该项误差指标的阈值
   1. 假设每项误差指标值序列均符合正态分布，计算出每项误差指标值序列的平均值和标准差
   2. 对于每项误差指标，其灵敏度（即阈值）为：均值 + 3*标准差
3. 将误差指标和灵敏度保存到map，该map则保存了各个误差指标的阈值

KSigmaModel模型检测异常的核心思想：

1. 将各项误差指标（5个）的阈值存入数组
2. 计算出每个时间点t对应的真实值与期望值的各项误差指标值（5个）
3. 若待检测点处于检测窗口，且待检测点的任一误差指标值超过了对应的阈值，则待检测点为异常点

3. 总结

本文介绍了EGADS的TimeSeries模型和AnomalyDetection模型的处理流程和常用算法的核心思想。其中TimeSeries模型主要包含：训练和预测方法，AnomalyDetection模型主要包含：计算阈值参数和检测异常的方法。

关于TimeSeries模型介绍了可以预测嵌套周期的OlympicModel的核心思想，关于AnomalyDetection模型介绍了基于聚类思想计算出阈值的ExtremeLowDensityModel和基于正态分布数据的3Sigma法则计算出阈值的KSigmaModel的核心思想。

这篇关于EGADS介绍(二)--时序模型和异常检测模型算法的核心思想的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！