我正在用 Python 开发一个异常检测程序。
主要思想是每天创建一个新的 LSTM 模型，用前 7 天训练它并预测第二天。
然后，使用阈值，逐日发现异常。
我已经实现了，这些阈值运行良好：
上阈值等于 trimmed_mean + (K * interquartile_range)
下阈值等于 trimmed_mean - (K * interquartile_range)
其中 trimmed_mean 和 interquartile_range 是根据预测误差（真实曲线 - 预测一）计算的，K 设置为 5。
我想知道是否有正确配置K值的规则或方法。因为目前，我的方法是调整阈值以查看误报。
我正在寻找异常与如何设置阈值之间的任何关系。
我已经尝试为每个模型计算 AUC（曲线下面积）并寻找关系，但没有成功。事实上，由于我每天都创建一个新模型，并且在大多数情况下我没有任何异常值，我无法正确计算出真阳性率。
谢谢
编辑
根据 Ben 的评论，我将添加有关我的问题的详细信息。
让我们开始更好地解释异常值对我来说是什么。
因此，我正在分析每 5 分钟获取一次 kWh 创建的时间序列，因此每天有 288 条记录。
异常值基本上是一个峰值，因此是一个与其他值非常不同的值。
此外，我需要每天创建一个模型，因为客户没有太多数据，我还需要捕捉季节性。
最后但同样重要的是，我正在研究一个单变量问题，所以我只有获取价值和时间，仅此而已。
编辑回答 BEN 的问题
首先是的，kWh 表示功耗。
我有另一种类型的异常是阻塞值（如 0、0、0 ecc。），但我认为我可以识别它们“添加一个简单的规则”来检测这些情况。
关于季节性：
每个新模型都使用前 7 天进行训练，并且这个时间窗口每天都在向前移动。因此，仅使用前 7 天删除和训练每天的模型。
我已经解决了您提到的问题（用异常数据训练新模型）用下一个值和上一个值之间的差异计算的新值替换异常数据。
其中绿线是预测，蓝线是真实时间序列