Luminaire是一个python包,它为监视时间序列数据提供了ML驱动的解决方案
luminaire的Python项目详细描述
目录
- What is Luminaire
- Quick Start
- Time Series Outlier Detection Workflow
- Anomaly Detection for High Frequency Time Series
- Contributing
- Acknowledgements
- Development Team
什么是灯具
Luminaire是一个python包,它为监视时间序列数据提供了ML驱动的解决方案。灯具提供了多种异常检测和预测功能,包括相关和季节性模式以及随时间变化的不可控数据。在
快速入门
使用pip
从PyPI安装灯具
pip install luminaire
在python中导入luminaire
模块
查看Luminaire documentation获取方法和用法的详细描述。在
时间序列异常值检测工作流
灯具异常值检测工作流程可分为3个主要部分:
数据预处理和分析组件
在训练异常检测模型之前,可以调用该组件来准备时间序列。这一步应用了许多方法来提高异常检测的准确性和可靠性,包括缺失数据插补、从训练数据中识别和去除最近的异常值、必要的数学转换以及基于最近变化点的数据截断。它还生成在培训过程中考虑的分析信息(历史变化点、趋势变化等)。在
时间序列数据的分析信息可用于监测数据漂移和不规则的长期波动。在
建模组件
此组件根据用户指定的配置或优化的配置执行时间序列模型训练(请参见灯具超参数优化)。灯具模型训练与不同结构的时间序列模型以及基于滤波的模型相结合。有关详细信息,请参见Luminaire outlier detection。在
在数据预处理和仿形步骤之后,可以调用灯具建模步骤,以便在训练之前进行必要的数据准备。在
配置优化组件
灯具与配置优化的集成使得在以下情况下无需手动进行异常检测过程 用户需要为监视任何类型的时间序列数据提供非常小的配置。这个步骤可以和任何自动配置的异常检测用例的预处理和建模相结合。有关详细的演练,请参见fully automatic outlier detection。在
高频时间序列的异常检测
灯具还可以在时间窗口内监视一组数据点,而不是跟踪单个数据点。这种方法非常适合流式使用案例,其中持续波动比单个波动更值得关注。有关详细信息,请参见anomaly detection for streaming data。在
贡献
想帮助改进灯具吗?看看我们的contributing documentation。在
引用
如果灯具用于任何研究目的或科学出版物,请引用以下文章:
Chakraborty,S.,Shah,S.,Soltani,K.,Swigart,A.,Yang,L.和K.白金汉(2020年)。构建自动化和 自我意识异常检测系统。arXiv预印本2011年5月47日。(arxiv link)
其他有用资源
- Chakraborty,S.,Shah,S.,Soltani,K.,&Swigart,A.(2019年12月)。异常时间的根本原因检测 使用时间状态对齐的序列。2019年第18届IEEE机器学习与应用国际会议 (ICMLA)(第523-528页)。IEEE。(arxiv link)
致谢
本项目采用了以下科学出版物中所述的方法:
- Soule,Augustin,KavéSalamatian和Nina Taft。”滤波与统计相结合的异常检测方法。
第五届ACM-SIGCOMM互联网测量会议论文集。2005
开发团队
灯具是由Sayan Chakraborty,Smit Shah,Kiumars Soltani,Luyao Yang,Anna Swigart,Kyle Buckingham和Zillow Group A.I.团队的许多其他贡献者开发和维护的。在
- 项目
标签: