时间序列分解和异常检测方法应用案例

我们与许多教授数据科学的客户合作，并利用我们的专业知识加速业务发展。然而，很少有客户的需求和他们愿意让其他人受益于我们推动数据科学界限的利益。这是一个例外。

对于我们这些喜欢阅读的人来说，这里有anomalize四个简单步骤的工作要点。

您刚刚实施了“异常检测”（异常检测）工作流程，其中包括：

下一步是对分解的数据执行异常检测，特别是“余数”列。我们使用了这个anomalize()，它产生了三个新列：“remainder_l1”（下限），“remainder_l2”（上限）和“异常”（是/否标志）。默认方法是method="iqr"，在检测异常时快速且相对准确。alpha默认情况下alpha=0.05，该参数设置为，但可以调整该参数以增加或减少异常频段的高度，从而使数据更难或更难以变得异常。max_anoms默认情况下，该参数设置为max_anoms=0.2可能异常的20％数据的最大值。这是可以调整的第二个参数。最后，verbose=FALSE默认情况下返回一个数据框。尝试设置verbose=TRUE以列表的形式获取异常值报告。

最后一步是围绕“观察”值创建下限和上限。这是工作time_recompose()，它重新组合观察值周围的异常的下限和上限。创建了两个新列：“recomposed_l1”（下限）和“recomposed_l2”（上限）。

###Atimetibble:6,375x11###Index:date###Groups:package[15]##packagedateobservedseasontrendremainderremainder_l1####1tidyr2017-01-01873.-2761.5053.-1418.-3748.##2tidyr2017-01-021840.901.5047.-4108.-3748.##3tidyr2017-01-032495.1460.5041.-4006.-3748.##4tidyr2017-01-042906.1430.5035.-3559.-3748.##5tidyr2017-01-052847.1239.5029.-3421.-3748.##6tidyr2017-01-062756.367.5024.-2635.-3748.##7tidyr2017-01-071439.-2635.5018.-944.-3748.##8tidyr2017-01-081556.-2761.5012.-695.-3748.##9tidyr2017-01-093678.901.5006.-2229.-3748.##10tidyr2017-01-107086.1460.5000.626.-3748.###...with6,365morerows,and4morevariables:remainder_l2,###anomaly,recomposed_l1,recomposed_l2让我们看一下“lubridate”数据。我们可以使用plot_anomalies()和设置time_recomposed=TRUE。此功能适用于单个和分组数据。

在审查可用的软件包时，我们从中了解到所有软件包的最佳组合：

另外，我们对自己做了一些改进：

我们的客户对此非常满意，看到我们可以继续构建每个人都可以享受的新功能和功能令人兴奋。