টাইম-সিরিজে ব্যতিক্রমগুলি সনাক্ত করতে আমার কোন অ্যালগরিদম ব্যবহার করা উচিত?

Question

পটভূমি

আমি নেটওয়ার্ক অপারেশনস সেন্টারে কাজ করছি, আমরা কম্পিউটার সিস্টেম এবং তাদের কার্যকারিতা পর্যবেক্ষণ করি। নিরীক্ষণের জন্য মূল মেট্রিকগুলির মধ্যে একটি হ'ল প্রচুর দর্শনার্থী \ গ্রাহকরা বর্তমানে আমাদের সার্ভারগুলিতে সংযুক্ত। এটি দৃশ্যমান করার জন্য আমরা (অপ্স টিম) সময়-সিরিজের ডেটা এবং গ্রাফ আঁকার মতো মেট্রিকগুলি সংগ্রহ করি। গ্রাফাইট আমাদের এটি করার অনুমতি দেয়, এটির একটি দুর্দান্ত সমৃদ্ধ এপিআই রয়েছে যা আমি হঠাৎ ড্রপস (বেশিরভাগ) এবং অন্যান্য পরিবর্তন দেখা দিলে সতর্কতা ব্যবস্থা তৈরির জন্য আমাদের টিমকে অবহিত করি। আপাতত আমি গড় মানের উপর ভিত্তি করে একটি স্থিতিশীল প্রান্তিক স্থাপন করেছি কিন্তু দিন এবং সপ্তাহের সময় বিভিন্ন loadত্মের কারণে এটি খুব ভালভাবে কাজ করে না (প্রচুর ভুয়া-পজিটিভ রয়েছে) (alityতুপরিষে ফ্যাক্টর)।

এটি দেখতে এমন কিছু দেখাচ্ছে:

আসল ডেটা (একটি মেট্রিকের জন্য উদাহরণ, 15 মিনিটের সময়সীমা; প্রথম সংখ্যাটি বেশ কয়েকটি ব্যবহারকারী, দ্বিতীয় বারের স্ট্যাম্প):

[{"target": "metric_name", "datapoints": [[175562.0, 1431803460], [176125.0, 1431803520], [176125.0, 1431803580], [175710.0, 1431803640], [175710.0, 1431803700], [175733.0, 1431803760], [175733.0, 1431803820], [175839.0, 1431803880], [175839.0, 1431803940], [175245.0, 1431804000], [175217.0, 1431804060], [175629.0, 1431804120], [175104.0, 1431804180], [175104.0, 1431804240], [175505.0, 1431804300]]}]

আমি যা অর্জন করার চেষ্টা করছি

আমি একটি পাইথন স্ক্রিপ্ট তৈরি করেছি যা সাম্প্রতিক ডেটাপয়েন্টগুলি গ্রহণ করে, historicalতিহাসিক গড় এবং সতর্কতাগুলির সাথে তুলনা করে যদি হঠাৎ পরিবর্তন হয় বা ড্রপ হয়। মৌসুমীতার কারণে "স্থিতিশীল" প্রান্তিকতা ভাল কাজ করে না এবং স্ক্রিপ্টটি মিথ্যা-ধনাত্মক সতর্কতা তৈরি করে। আমি আরও সুনির্দিষ্ট হওয়ার জন্য একটি সতর্কতা অ্যালগরিদমকে উন্নত করতে চাই এবং সতর্কতার প্রান্তটি অবিচ্ছিন্নভাবে সুর না করে এটিকে কাজ করতে চাই।

আমার কী পরামর্শ এবং জিনিসগুলি আমি আবিষ্কার করেছি

গুগল করে আমি বুঝতে পেরেছি যে আমি বেমানান সনাক্তকরণের জন্য মেশিন লার্নিং অ্যালগরিদমগুলি খুঁজছি (নিরীক্ষণযোগ্যগুলি)। আরও তদন্তে দেখা গেছে যে এগুলির মধ্যে প্রচুর পরিমাণ রয়েছে এবং এটি আমার ক্ষেত্রে কোনটি প্রযোজ্য তা বোঝা খুব কঠিন। আমার সীমিত গণিত জ্ঞানের কারণে আমি পরিশীলিত পণ্ডিতের কাগজপত্র পড়তে পারি না এবং আমি ক্ষেত্রের কোনও শিক্ষানবিশকে সহজ কিছু সন্ধান করছি।

আমি পাইথন পছন্দ করি এবং আর এর সাথে কিছুটা পরিচিত, এইভাবে আমি এই ভাষার উদাহরণগুলি দেখে খুশি হব। দয়া করে একটি ভাল বই বা নিবন্ধের প্রস্তাব দিন যা আমাকে আমার সমস্যা সমাধানে সহায়তা করবে। আপনার সময় জন্য আপনাকে ধন্যবাদ এবং এত দীর্ঘ বিবরণ জন্য ক্ষমা

দরকারী লিংক

অনুরূপ প্রশ্ন:

• সময় সিরিজ এবং অসাধারণ সনাক্তকরণ
• পাইথনের সাথে টাইম সিরিজ অ্যানোমালি সনাক্তকরণ
• সময়ের ধারাবাহিকতা
• টাইম সিরিজের অ্যানোমালি সনাক্তকরণের জন্য অ্যালগরিদম
• সময়-সিরিজ-ভিত্তিক অ্যানোমালি সনাক্তকরণের অ্যালগোরিদমে ওয়েবেলেটগুলির প্রয়োগ
• আমার কোন অ্যালগরিদম ব্যবহার করা উচিত?

বাহ্যিক সংস্থানসমূহ:

• মেশিন লার্নিং - ইউটিউবে অ্যানোমালি ডিটেকশন প্লেলিস্ট
• বায়োসারভিলেন্সের জন্য সনাক্তকরণ অ্যালগরিদম: একটি টিউটোরিয়াল

Comments

আপনি কি CUSUM এর মতো সহজ সরল অ্যালগরিদমগুলির এক নজরে দেখেছেন?

— ভ্লাদিস্লাভস ডভগ্যালিক্স

@xeon, এখনও না। আমি বিষয়টিতে নতুন এবং সবকিছু হজম করার জন্য কিছুটা সময় প্রয়োজন need এটিকে সামনে আনার জন্য ধন্যবাদ, এটি একটি ভাল সূচনা পয়েন্ট, আমি এখনই এটি প্রয়োগ করতে পারি

— ইলিয়া খাদিনকিন

এটি একটি দুর্দান্ত প্রশ্ন, @ মা-জিআই। আমারও একই রকম দৃশ্য আছে। আমার পদ্ধতির ছিল auto.arimaআর এর দুর্দান্ত forecastপ্যাকেজ ( jstatsoft.org/v27/i03/paper দেখুন ) থেকে ফাংশনটি ব্যবহার করে নিয়মিত পর্যায়ক্রমিক পূর্বাভাস তৈরি করে সতর্কতা সেটআপ করা । আপনি levelপ্যারামিটারটি সামঞ্জস্য করে আত্মবিশ্বাসের স্তরগুলিকে টিউন করতে পারেন , যেমন data.model <- auto.arima(data.zoo, ic = c("bic")); data.prediction.warningLimits <- forecast(data.model, h=1, level=0.99)।

— অ্যালেক্স ওলফোর্ড

টুইটারের ছেলেরা এই বিষয়টিতে খুব আকর্ষণীয় নিবন্ধ লিখেছিল। এটি দেখুন: blog.twitter.com/2015/…

— ognjenz

আরে @ ইলিয়াখাদকিন আশা করি আপনি ভাল করছেন! আপনি কি কখনও এই সমস্যার জন্য কোনও সমাধান পেয়েছেন? আমি হুবহু কিছু করছি যা প্রতি মিনিটে আমাদের নির্দিষ্ট ব্যবহারকারী রয়েছে এবং আমরা প্রচুর মিথ্যা ধনাত্মকও পাই। এখন পর্যন্ত আমরা অন্তর অন্তর ডেটার প্রতি 5 মিনিটের জন্য স্কোর গণনা করছি এবং এটি historicalতিহাসিক নিদর্শনের সাথে মেলাচ্ছি। যদি আপনি কোনও নির্দিষ্ট অ্যালগরিটিম কাজ করে থাকেন তবে আপনি কীভাবে শেয়ার করেছেন তা ভাগ করে নিতে পারেন। আগাম ধন্যবাদ!

— ak3191

Answer 1

আমি মনে করি কীটি আপনার গ্রাফের "অপ্রত্যাশিত" যোগ্যতা অর্জনকারী। অপ্রত্যাশিত সনাক্ত করার জন্য আপনার কাছে কী প্রত্যাশা করা হয়েছে তা সম্পর্কে ধারণা থাকা দরকার ।

$y_{t}=c+\phi y_{t-1}+\Phi_{24}y_{t-24}+\Phi_{25}y_{t-25}+\varepsilon_t$$t$$e_t=y_t-\hat y_t$ "খুব বড়" আপনি সতর্কতা ছুঁড়েছেন।

$\sigma_\varepsilon$$\varepsilon_t$$|e_t|<3\sigma_\varepsilon$$e_t>3\sigma_\varepsilon$

দর্শনার্থীর সংখ্যা সম্ভবত বেশ ধ্রুবক তবে সুপার মৌসুমী। গুণমান seasonতু পরিবর্তনের পরিবর্তে মৌসুমী ডামিগুলি চেষ্টা করার জন্য এটি আরও ভাল কাজ করতে পারে, তবে আপনি আরআমএক্সএক্সটি ব্যবহার করতে পারবেন যেখানে এক্স এর বহির্মুখী ভেরিয়েবলগুলি রয়েছে, যা হলিডে ডামি, আওয়ার ডামি, উইকএন্ড ডামি ইত্যাদির মতো কিছু হতে পারে

Comments

এই পদ্ধতির একটি নির্দিষ্ট এআরআইএমএ মডেল ধরে নেওয়া হয়েছে যা বিযুক্তির উপর ভিত্তি করে পক্ষপাতদুষ্ট পরামিতি রাখবে যা বোঝা যায় নি যে অস্তিত্বহীন বলে ধরে নেওয়া হয়েছে। আরও সাধারণ পন্থা হ'ল ALSO এর আগে ব্যতিক্রমগুলি চিহ্নিত করতে হবে এবং তারপরে একটি অনুকূল আরিমা মডেল তাত্পর্যটির তাত্ক্ষণিক পরীক্ষার দিকে পরিচালিত করবে। সংযোজনীয় অসঙ্গতিগুলি স্তরের শিফট, মৌসুমী ডাল এবং স্থানীয় সময়ের প্রবণতা হতে পারে যা এখানে প্রস্তাবিতের চেয়ে আরও সাধারণ সমাধান প্রয়োজন। বিস্তৃত পদ্ধতির জন্য unc.edu/~jbhill/tsay.pdf দেখুন । আপনি আরও তথ্যের জন্য গুগল "স্বয়ংক্রিয় হস্তক্ষেপ সনাক্তকরণ" করতে পারেন।

— আইরিশস্ট্যাট 20'15

@ আইরিশস্ট্যাট আমি ইভেন্টগুলির জন্য ডামি সহ আরিম্যাক্সের পরামর্শ দিয়েছি। ওপি, ডামিগুলির সাথে ওয়েব সাইট ক্র্যাশের মতো পরিচিত ইভেন্টগুলির জন্য অ্যাকাউন্ট করতে পারে। এটি ত্রুটির বৈকল্পিকতা হ্রাস করবে এবং আরও সতর্কতা থাকবে। জটিল মডেলটি গড়ে তোলার কোনও কারণ নেই, কারণ ওয়েবসাইটের ট্র্যাফিকের ক্ষেত্রে সব কিছুর জন্য অ্যাকাউন্ট নেওয়া কেবল অসম্ভব। সাধারণ মডেলগুলি সেরা কাজ করবে।

— আকসকল 20'15

@ মা-জিআই, আরও একটি জিনিস: আপনি ওভারল্যাপিং অন্তরগুলি ব্যবহার করতে পারেন। ধরা যাক আপনি প্রতি মিনিটে ডেটা সংগ্রহ করেন তবে মডেলিংয়ের জন্য আপনি 10 মিনিটের মধ্যে একটি পদক্ষেপ নিতে পারেন। এটি প্রাক্কলন সম্পর্কিত (স্বতঃসংশ্লিষ্টতার কারণে) কিছু সমস্যা তৈরি করে তবে ফলস্বরূপ মডেল সম্ভবত আরও দৃ rob় হবে।

— আকসকল

@ আকসাকাল মডেলগুলি প্রয়োজনীয় যতটা সহজ হওয়া উচিত তবে খুব সহজ নয়।

— আইরিশস্ট্যাট

Answer 2

নেটফ্লিক্স টেক ব্লগে তাদের রবস্ট অ্যানোমালি ডিটেকশন টুল (আরএডি) সম্পর্কিত একটি নিবন্ধ রয়েছে। http://techblog.netflix.com/2015/02/rad-outlier-detection-on-big-data.html

এটি seasonতু এবং খুব উচ্চ ভলিউম ডেটাসেটগুলির সাথে কাজ করে যাতে এটি আপনার প্রয়োজনীয়তার সাথে খাপ খায়। কোডটি ওপেন সোর্স জাভা এবং অ্যাপাচি পিগ https://github.com/Netflix/Surus/blob/master/resources/exferences/pig/rad.pig

: - অন্তর্নিহিত আলগোরিদিম শক্তসমর্থ পিসিএ উপর ভিত্তি করে তৈরি এখানে মূল কাগজ দেখতে http://statweb.stanford.edu/~candes/papers/RobustPCA.pdf

Answer 3

ওপেন সোর্স প্যাকেজে বেশিরভাগ আউটলেয়ার সনাক্তকরণ অ্যালগরিদমগুলি হ'ল কম ফ্রিকোয়েন্সি, দৈনিক / সাপ্তাহিক / মাসিক ফ্রিকোয়েন্সি ডেটা সহ ব্যবসায়িক সময় সিরিজের ডেটার জন্য। এই ডেটাটি কোনও বিশেষায়িত ক্ষেত্রের জন্য বলে মনে হচ্ছে যা কয়েক মিনিটের মধ্যে ধরা পড়ে, তাই আমি নিশ্চিত নই যে ওপেন সোর্স আউটলেট ডিটেকশন সহায়ক হবে। আপনি এই পদ্ধতিগুলিকে আপনার ডেটাতে মানিয়ে নেওয়ার চেষ্টা করতে পারেন।

আমি নীচে ওপেন সোর্সে কিছু উপলভ্য প্যাকেজ পদ্ধতির রূপরেখাটি দিচ্ছি R:

1. tsoutliers : চেন এবং লিউ এর আউটরিয়ার সনাক্তকরণ অ্যালগরিদমকে অরিমা কাঠামোর মধ্যে প্রয়োগ করে । এই সাইটে আমার আগের প্রশ্নটি দেখুন । চমত্কার পদ্ধতির, তবে এটি আপনার মতো উচ্চ ফ্রিকোয়েন্সি ডেটা পরিচালনা করতে সক্ষম হবে কিনা তা খুব ধীর নেই sure এটিতে আমার আগের প্রশ্ন / পোস্টে উল্লিখিত সমস্ত ধরণের আউটলিয়ার সনাক্ত করার অগ্রগতি রয়েছে।
2. টুইটারের অ্যানোমালি সনাক্তকরণ : রোজনার অ্যালগরিদম সময় সিরিজের উপর ভিত্তি করে ব্যতিক্রমগুলি সনাক্ত করতে ব্যবহার করে । অ্যালগরিদম টাইমসিরিগুলি পচে যায় এবং তারপরে অনিয়মগুলি সনাক্ত করে। আমার ব্যক্তিগত মতে, সময় সিরিজের আউটলায়ারগুলি সনাক্ত করতে এটি দক্ষ এবং নির্ভুল নয়।
3. পূর্বাভাস প্যাকেজে tsoutlier : সময় সিরিজের পচন এবং তারপরে বিদেশীদের সনাক্তকরণের ক্ষেত্রে টুইটারের অ্যালগরিদমের অনুরূপ। কেবলমাত্র অ্যাডেটিভ বিদেশী বা ডাল সনাক্ত করবে।

কিছু বাণিজ্যিক প্যাকেজ রয়েছে যা চেষ্টা করে এবং ব্যাক্তিগুলি সনাক্ত করার জন্য উত্সর্গীকৃত পন্থা রয়েছে। আর একটি ক্লাসিক পদ্ধতি হ'ল সাইয়ের সময় সিরিজের আউটলেট সনাক্তকরণ অ্যালগরিদম, চেন এবং লিউর পদ্ধতির অনুরূপ এটি বিভিন্ন ধরণের বিদেশী সনাক্ত করে। আমি সম্প্রতি মেটাফোর নামে পরিচিত এই বাণিজ্যিক সফ্টওয়্যার সমাধানে হোঁচট খেয়েছি যা আপনার ডেটার জন্য আরও উপযুক্ত হতে পারে।

আশা করি এটি সহায়ক

Comments

ধন্যবাদ, এটি আমাকে অনুরূপ সমস্যা এবং পদ্ধতির বিষয়ে দৃষ্টিভঙ্গি দেয়; লিঙ্কগুলির জন্য বিশেষ ধন্যবাদ!

— ইলিয়া খাদিকিন

যদি কেউ মেটাফোরের সন্ধান করে তবে আমরা স্প্লঙ্ক দ্বারা অধিগ্রহণ করেছি। আমাদের টিএসএডি অ্যালগরিদমগুলি স্প্লঙ্ক আইটি পরিষেবা ইন্টেলিজেন্স ("আইটিএসআই") এর সাম্প্রতিক সংস্করণগুলিতে অন্তর্ভুক্ত রয়েছে।

— অ্যালেক্স ক্রুজ

Answer 4

আপনি কি স্ট্যাটিস্টিকাল প্রসেস কন্ট্রোল নিয়ম ব্যবহার করার চেষ্টা করেছেন (যেমন ওয়েস্টার্ন ইলেকট্রিক http://en.wikedia.org/wiki/WEST_Electric_rules )?

আমি সময় সিরিজের ডেটাগুলির জন্য তাদের ব্যবহার করি - প্রায়শই ডেটা সম্পর্কে স্বজ্ঞাততার সাথে - ডেটা কোথাও চলেছে কিনা তা নির্ধারণ করতে আমি এটি যেতে চাই না। আপনার উদাহরণের মতো, এই বিধিগুলি বলছে যে ডেল্টা / পরিবর্তনটি বেশ কয়েকটি ডেটা পয়েন্টের সাথে সামঞ্জস্যপূর্ণ, এটি পতাকা নিয়েছে যে কোনও সমস্যা হতে পারে।

এছাড়াও আপনি যদি আগের চেয়ে আরও ভাল বা খারাপ হয়ে যাচ্ছেন তবে স্ট্যাটিস্টিকাল প্রসেস কন্ট্রোল (এসপিসি) কাজ করার জন্য ভাল হতে পারে।

এসপিসির একটি সমস্যা হ'ল এটির বেশিরভাগই একটি সাধারণ বিতরণের উপর নির্ভর করে যা সম্ভবত আপনার ডেটার সাথে খাপ খায় না যা শূন্যের নীচে যেতে পারে না। এসপিসির সাথে আমার চেয়ে আরও ভাল ব্যক্তিরা এখানে বিকল্পগুলির পরামর্শ দিতে পারেন। আমি এটি কোনও ইস্যুতে পতাকাঙ্কিত করতে ব্যবহার করতে চাই তবে সমস্ত মডেলের মতোই ডেটা (এবং উত্স) সম্পর্কে জ্ঞানের দানাতে সবচেয়ে ভাল ব্যবহৃত হয়।

Answer 5

$m$

$$L(m, \tau_{1:m}, \theta_{1:(m+1)}) = \prod_{i=1}^{m+1} p(y_{(\tau_{i-1} + 1):\tau_i}\mid \theta_i)$$

$y_1,\dots,y_n$$1 < \tau_1 <\dots<\tau_m<n$$p$$\theta_i$$i$$m$changepoint আর। এর জন্য প্যাকেজ যদি আপনি আরও শিখতে চান তবে নীচের প্রকাশনা এবং তাদের সরবরাহিত রেফারেন্সগুলি পরীক্ষা করতে পারেন:

রেবেকা কিলিক এবং ইদ্রিস এ। (2013) চেঞ্জপয়েন্ট: চেঞ্জপয়েন্ট বিশ্লেষণের জন্য একটি আর প্যাকেজ। (অনলাইন কাগজ)

একলে, আইএ, ফার্নহেড, পি। এবং কিলিক, আর। (2011) চেঞ্জপয়েন্ট মডেলগুলির বিশ্লেষণ। [ইন:] বায়েশিয়ান টাইম সিরিজ মডেল , এডিএস। ডি বারবার, এটিএম চেগিল এবং এস চিয়াপা, কেমব্রিজ বিশ্ববিদ্যালয় প্রেস।

Answer 6

প্রদত্ত যে সময় সিরিজের পর্যায়ক্রমকে একটি সহজ, তবে কার্যকর, ভিন্নতার উপর ভিত্তি করে অ্যালগরিদমটি ভালভাবে বোঝা উচিত।

একটি সাধারণ এক-পদক্ষেপের ভিন্নতা পূর্ববর্তী মান থেকে হঠাৎ ড্রপ সনাক্ত করবে

$$y_t'= y_t - y_{t-1}$$

তবে যদি সিরিজের একটি শক্ত পর্যায়ক্রমিক উপাদান থাকে তবে আপনি নিয়মিত ভিত্তিতে সেই ড্রপটি যথেষ্ট পরিমাণে প্রত্যাশা করতে পারেন। এক্ষেত্রে আগের চক্রের একই পয়েন্টে, অর্থাত্ একটি সময় আগে তার সমমনা অংশের সাথে কোনও মানের তুলনা করা ভাল।

$$y_t'= y_t - y_{t-n} \quad \text{where } n=\text{length of period}$$

পোস্ট করা প্রশ্নের ক্ষেত্রে দুটি উল্লেখযোগ্য পর্যায়ক্রমিক উপাদান আশা করা স্বাভাবিক হবে, একটি দিনের দৈর্ঘ্য, অন্যটি এক সপ্তাহের দৈর্ঘ্য। তবে এটি কোনও জটিলতার বেশি নয়, কারণ দীর্ঘ সময়ের দৈর্ঘ্যটি সংক্ষিপ্ত দৈর্ঘ্যের দ্বারা সুন্দরভাবে বিভক্ত করা যেতে পারে।

$n$$24*7 = 168$

যদি ড্রপগুলি আনুপাতিক চরিত্রের বেশি হয় তবে কার্যকলাপ কম থাকলে একটি সাধারণ পার্থক্য সহজেই হঠাৎ ড্রপ সনাক্ত করতে ব্যর্থ হয়। এরকম পরিস্থিতিতে পরিবর্তে অনুপাত গণনা করার জন্য অ্যালগরিদম পরিবর্তন করা যেতে পারে।

$$y_t^*= \frac{y_t}{y_{t-n}}$$

আমি সিমুলেটেড ডেটাসেট ব্যবহার করে আর-তে কিছু পরীক্ষা করেছি। এটিতে ডেটা দিনে 6 বার নমুনা করা হয় এবং শক্তিশালী দৈনিক এবং সাপ্তাহিক পিরিয়ড সহ অন্যান্য গোলমাল এবং ওঠানামা রয়েছে। ড্রপগুলি এলোমেলো স্থানে এবং 1 এবং 3 এর মধ্যে স্থিতির মধ্যে যুক্ত করা হয়েছিল।
ড্রপগুলি বিচ্ছিন্ন করার জন্য প্রথম অনুপাতটি দূরত্ব 42 কে গণনা করা হয়েছিল, তারপরে একটি প্রান্তিক মান 0.6 এ সেট করা হয়েছিল, কারণ নির্দিষ্ট আকারের কেবল নেতিবাচক পরিবর্তনই আগ্রহী। তারপরে এক-পদক্ষেপের পার্থক্য গণনা করা হয়েছিল, এবং একটি প্রান্তিক মান -0.5 এ সেট করা হয়েছিল। শেষের দিকে একটি মিথ্যা ধনাত্মক মনে হয় (16 সপ্তাহের শেষে একটি) পিছলে গেছে। বাম এবং ডানদিকে গ্রাফগুলি একই উপাত্তটি দেখায়, ঠিক বিভিন্ন উপায়ে।

Answer 7

সময় ধারাবাহিকতায় পরিবর্তনগুলি অসাধারণতার চেয়ে নতুন ট্রেন্ডের শুরু হিসাবে ভাবা কি আরও কার্যকর হবে? সংলগ্ন পয়েন্টগুলির মধ্যে পার্থক্য নিলে তা জানাতে সহায়তা করবে যে theাল (ডেরাইভেটিভ) কখন পরিবর্তন হচ্ছে এবং তারিখে নতুন ট্রেন্ডের সূচনা করার ইঙ্গিত দিতে পারে। পার্থক্য মানগুলির পার্থক্য গ্রহণ করা (দ্বিতীয় ডেরাইভেটিভ) কার্যকর হতে পারে। "প্রবণতা বারের সিরিজের শুরু) এ গুগল অনুসন্ধান করা পদ্ধতিগুলির জন্য ভাল পরামর্শ দিতে পারে financial

ওয়েবেলেটের একটি ভাল পরিচয় হুবার্ডের "ওয়েভলেট অনুসারে দুনিয়া" আমি বিশ্বাস করি যে এটি লেখক।

Answer 8

আমি দুটি ভিন্ন ভিন্ন অ্যালগরিদম ব্যবহার করে একাধিক-seasonতু সময়ের সময় সিরিজের (দৈনিক, সাপ্তাহিক) কিছু সুন্দর ফলাফল পেতে সক্ষম হয়েছি:

• মিডপয়েন্ট সিরিজটি স্থাপনের জন্য লোস (বা এসটিএল) ব্যবহার করে asonতু-প্রবণতা পচে যাওয়া ।
• বৈকল্পিক এবং স্তরের মধ্যকার সম্পর্কের ভিত্তিতে সেই মিডপয়েন্টের চারপাশে প্রান্তিক স্থাপনের জন্য ননলাইনারীয় রিগ্রেশন ।

এসটিএল আপনার সময় সিরিজের একটি সময়ের ডোমেন পচনকে একটি ট্রেন্ড উপাদান, একটি একক মৌসুমী উপাদান এবং একটি অবশিষ্ট অংশ করে। Alতু উপাদান হ'ল আপনার উচ্চ ফ্রিকোয়েন্সি seasonতু (যেমন, দৈনিক), তবে ট্রেন্ডটি কম ফ্রিকোয়েন্সি seasonতু (যেমন, সাপ্তাহিক) এবং প্রবণতা উভয়ই অন্তর্ভুক্ত করে। প্রবণতায় আবার এসটিএল চালিয়ে আপনি দুজনকে আলাদা করতে পারেন। যাইহোক আপনি একবারে অন্যান্য উপাদানগুলি থেকে বাকি সিরিজগুলি বিচ্ছিন্ন করে ফেললে আপনি সেই সিরিজের বিরুদ্ধে আপনার বিপরীতমুখী সনাক্তকরণ সম্পাদন করতে পারেন।

আমি এখানে আরও বিস্তারিত লেখার ব্যবস্থা করেছি:

https://techblog.expedia.com/2016/07/28/applying-data-science-to-monitoring/

Answer 9

ডেভিড দ্বারা অনুপ্রাণিত, আপনি এফএফটি ব্যবহার করার চেষ্টা করেছেন? এটি হঠাৎ ড্রপগুলি স্পষ্ট করতে সক্ষম হতে পারে কারণ সেগুলি আপনার ব্যতিক্রমগুলি নির্দেশ করে। ব্যতিক্রমগুলি সংকীর্ণ বর্ণালীতে উপস্থিত হতে পারে। সুতরাং আপনি এগুলি সহজেই ক্যাপচার করতে পারেন।