我刚刚开始在 Python 中进行异常检测开发。
我的数据集是时间序列的集合。更详细地说，数据来自一些传感器/仪表，这些传感器/仪表记录和收集锅炉或其他设备的数据。
正如我之前所说，我必须使用的数据是时间序列，因此是时间戳和传感器检测到的相对值；当一个值大于或小于它附近的其他值时，它是异常的；基本上是一个高峰。
我需要开发一个无监督的分类模型，因为我没有标记所有数据。
另一个重要方面是这些数据是“季节相关的”；事实上，锅炉在冬天应该比夏天消耗更多。这些值不能被视为异常。
由于我没有这方面的经验，所以我在这里问你，解决这个问题的最佳算法/方法是什么。
此外，你知道一些书籍或链接建议吗？
您可以在这里查看，其中收集了许多专门用于时间序列数据（例如指标）异常检测的开源算法，用于在线或离线设置。
几乎所有这些都是无监督的方法，不需要标签来检测异常。
他们还会自动处理您提到的一些问题，例如季节性。
为了理解时间序列数据的季节性，我将从 Holt-Winters 方法或 ARIMA 开始。了解这些算法将有助于了解时间序列预测的工作原理。 时间序列预测
对于无监督分类，我会从 k-means 聚类之类的异常检测开始。
使用 K-Means 聚类进行异常检测
这些链接应该是一个很好的起点，我希望这会有所帮助。
关于异常检测，您有很多方法。在行话中它们被称为异常值，维基百科的异常值文章是一个非常好的开始。
来自时间序列的大多数答案都建议使用指数平滑（在 Holt-Winters 版本中处理季节性问题）或 *ARIMA（其中指数平滑是一个个案）。
这可能很好。但是，对于这种情况，工程师习惯于使用卡尔曼滤波器对传感器进行滤波。不过，数学步骤更陡峭。