我想检测包含趋势和季节性成分的“时间序列数据”中的异常值。我想省略那些季节性的峰值,只考虑其他峰值,并将它们标记为异常值。由于我是时间序列分析的新手,请帮助我解决这个时间序列问题。在
使用的编码平台是Python。在
我训练了我的模型并预测了测试数据。然后能够计算预测结果与我的测试数据的实际值之间的差异,然后能够根据观察到的方差找出异常值。在
!pip install pyramid-arima
from pyramid.arima import auto_arima
stepwise_model = auto_arima(train_log, start_p=1, start_q=1,max_p=3, max_q=3,m=7,start_P=0, seasonal=True,d=1, D=1, trace=True,error_action='ignore', suppress_warnings=True,stepwise=True)
train, test = actual_vals[0:-70], actual_vals[-70:]
train_log, test_log = np.log10(train), np.log10(test)
history = [x for x in train_log]
predictions = list()
predict_log=list()
for t in range(len(test_log)):
stepwise_model.fit(history)
output = stepwise_model.predict(n_periods=1)
predict_log.append(output[0])
yhat = 10**output[0]
predictions.append(yhat)
obs = test_log[t]
history.append(obs)
figsize=(12, 7)
plt.figure(figsize=figsize)
pyplot.plot(test,label='Actuals')
pyplot.plot(predictions, color='red',label='Predicted')
pyplot.legend(loc='upper right')
pyplot.show()
但我只能在测试数据中检测到异常值。实际上,我必须检测整个时间序列数据的异常值,包括我所拥有的列车数据。在
我使用下面的代码将原始数据分成季节性、趋势性、残差,可以在下图中看到。在
from statsmodels.tsa.seasonal import seasonal_decompose
decomposed = seasonal_decompose()
然后利用残差数据,利用箱线图找出剔除季节和趋势分量后的异常值。这有道理吗?在
或者有没有其他简单或更好的方法?在
您可以:
"Attempt 2 : Using Seasonal Decomposition"
尝试检查极值点,这可能会导致季节序列中的一些异常。在输出:
一些随机数据(我对上述argrelextrema的实现):
相关问题 更多 >
编程相关推荐