我知道我在这里有点晚了，但是是的，有一个异常检测包以及异常值组合框架。

这个包是 Python 的，它的名字是pyod。它在 JMLR 上发布。

它有多种算法用于以下个别方法：

1. 异常值检测的线性模型（PCA、vMCD、vOne-Class 和 SVM）
2. 基于邻近的异常值检测模型（LOF、CBLOF、HBOS、KNN、AverageKNN 和 MedianKNN）
3. 异常值检测的概率模型（ABOD 和 FastABOD）
4. 离群值集成和组合框架（IsolationForest 和 FeatureBagging）
5. 神经网络和深度学习模型（具有完全连接的神经网络的自动编码器）

最后，如果您专门寻找时间序列本身，那么这个github 链接将会很有用。

它具有以下用于时间序列异常值检测的列表包：

数据流.io

天际线

半佩

异常检测

有多种方法可以处理时间序列异常-

1. 如果已知异常，则建立分类模型。使用此模型来检测时间序列数据的相同类型的异常。

2. 如果异常是未知的，我们在我们的组织中所做的就是聚类和分类的结合。

首先使用 LOF/K-means/Cook 距离来识别异常值。将整个数据转换为分类问题，因为我们现在有 2 个类——异常值和正常值。现在建立一个分类模型并获取规则（分类模型）以在运行时识别异常（时间序列数据）。

3. 如果异常未知，在我的研究中，识别异常的最常见方法是建立一个正常模型，任何与正常模型的偏差（错误）都是异常的，所以在你的情况下，你预测下一个小时的时间序列，然后与实际值。如果错误超出预期，则表示发生了异常情况。

我无法在 Python 或 R 中找到任何直接的包来这样做，因为没有人知道什么是真正的异常，在所有情况下它都与异常值检测有关。

这和这可能对你有用。

试试先知图书馆

Prophet是一种基于加法模型预测时间序列数据的程序，其中非线性趋势与年、周和日季节性以及假日效应相匹配。它最适用于具有强烈季节性影响和几个季节历史数据的时间序列。Prophet 对缺失数据和趋势变化具有鲁棒性，并且通常可以很好地处理异常值。

更多内容：使用 Prophet 库在时间序列中检测异常

• https://towardsdatascience.com/anomaly-detection-with-time-series-forecasting-c34c6d04b24a

我发现 Matrix 配置文件很有用，尤其是因为它们不需要太多的知识——甚至不需要时间框架的持续时间。据我了解，它们基本上依赖于自相关。该程序可用于输入一些数据并查找异常，我还没有使用它进行预测。

https://matrixprofile.docs.matrixprofile.org/