您可以从时间序列滑动窗口中提取特征，例如。mean、std 等，然后将它们用作模型中的特征以进行异常检测

好问题。根据我对来自物联网设备（工业领域）的传感器数据的经验，我可以告诉你两种可能的方法。假设随着时间的推移您有多个信号（温度、压力、扭矩……），您可能对以下内容感兴趣：

• 估计单个数据样本（即 1 行 X 信号值）是正常还是异常

• 将您的时间序列重新采样到较低的频率，为每个新的重新采样信号包应用汇总统计信息（例如，从以秒为单位的原始信号频率到新的分钟间隔）；在这种情况下，有一个名为tsfresh（新鲜时间序列）的不错的包，因为它为每个重新采样的信号创建了一个庞大的新属性组（例如，每个信号的每个分钟间隔的中值、标准、最小值、最大值……） ...

预处理完成后，您可以应用 OC-SVM（一类支持向量机）、IF（隔离森林）等模型作为半监督学习策略（即了解正常行为的数据，创建模型它可以检测到远离这种行为的异常）。

很好，到目前为止你没有任何过错。你可以建立一个正常的模型。可能是温度与其他变量的关系。您可以使用回归或 NN 任何东西。任何与既定关系的偏差都可能是异常情况。-

这篇较早的帖子可能会提供更多见解-

在时间序列中寻找用于异常检测的好包