我研究多元时间序列数据。我每次操作机器时都会生成传感器数据。数据集由 machine_ID（相同型号的机器）、操作小时数、来自各种传感器的测量值组成。机器在运行若干小时后开始退化。我想找出在发生阶跃变化之后性能开始下降的几个小时。
我想最好使用机器学习方法来做到这一点，并想绘制标记偏差的图表。哪些机器学习技术可以用于这种方法。
我已经进行了探索性数据分析，在那里我可以找到发生偏差的点。现在，我想通过运行模型来检测阶跃变化的发生来确认这一点。在上图中，下降从 100 开始，然后逐渐下降。现在，有什么办法可以通过模型找到这品脱。
我非常感谢任何处理此问题的链接或建议。
提前致谢。
AnomalyDetection是一个开源的 R 包，用于检测异常，从统计的角度来看，在存在季节性和潜在趋势的情况下是稳健的。
您可以将该过程建模为Weibull 分布，这在生存分析和可靠性工程中很常见。已经有使用它来监控系统“健康”的工作，例子在这里和这里。
我会尝试使用谷歌的 CausalImpact 包。您的用例并不完全是因果推理，但 CausalImpact 依赖于贝叶斯结构时间序列模型（使用 bsts 包），并且有一些很好的默认值，可以让您无需立即深入研究 bsts。
基本上，您将模型拟合到数据的第一部分，然后预测其余部分。您会看到模型偏离预测的位置。使用贝叶斯模型意味着您可以获得误差范围 - 因此您可以对偏差有一定程度的信心。在您的情况下，您可以将“干预”点设置为要将建模数据与预测数据分开的任何时间戳。然后将预测与实际数据进行比较（查找“临近预报”）。