代码之家 › 专栏 › 技术社区 › user1940350

变量随时间变化(趋势)的时间序列故障检测

anomaly-detection trend cluster-analysis machine-learning

user1940350 · 技术社区 · 7 年前

今天,我使用lstm和聚类技术来检测时间序列上的异常,但这些方法无法识别随时间缓慢恶化的异常(我认为这称为趋势分析),即机器温度在一个月内缓慢上升(lstm将了解此趋势,并在没有任何特殊错误的情况下预测增加)。有这样的方法来检测这种错误吗?

1 回复 | 直到 7 年前

Has QUIT--Anony-Mousse 7 年前

时间序列通常是你想要的:学习渐变,检测突变。否则,时间起不了什么作用。

例如,你可以尝试学习速度非常慢的SigniTrend模型(半衰期长或他们称之为什么。忽略那篇文章中的所有令牌、哈希和可伸缩性,只获取我真正喜欢的EWMA+EWMVar部分,并在你的时间序列上使用它)。

由于这种超级天真的方法无法学习,因此也不会随波逐流。但是,时间没有发挥任何进一步的作用。

推荐文章

Mike Williamson · 将Python kmodes集群模型保存到磁盘的方法?

6 年前

psysky · 将属于集群的观察结果保留在R中

7 年前

Annalix · 如何在应用DBSCAN之前将时间戳、数据时间转换为数字

7 年前

Papea · 标称、序数和度量数据的聚类分析

7 年前

Pedro Pereira da Silva · KeyError:“['Value''标志']不在索引中”

7 年前

Vitaly Galaychuk · 图像搜索引擎中基于聚类的颜色特征提取

7 年前

user2205916 · PySpark ML:获取KMeans集群统计信息

7 年前

Ram · 使用Spark的集群中的“java.lang.NullPointerException”

7 年前

Earl. Fojas · K-Medoid(PAM)算法的缺点

7 年前

Srikar Murali · 从另一个数据帧向数据帧添加行

7 年前