用例：

每天，我们都有每天建立的指标来检查我们的系统是否运行良好。有时，构建这些指标的工作流程中会出现错误，我必须构建一种算法，当出现问题时会提醒我们，以便我们检查问题的来源。

我正在尝试什么：

我对时间序列了解不多。我拥有的数据显示了每周的季节性，并且数量不是恒定的（它正在增长）。见图片： http: //www.blabala.com（我没有足够的代表来发布多张图片）因此，从我读到的内容来看，ARIMA 似乎是一个相关的算法。

我偶然发现了中的tsoutlier包R及其功能locate.outliers.oloop()和discard.outliers()，所以我有了以下想法：与其尝试训练我不掌握的东西，不如让算法的自动部分自己训练，并使用它：如果它检测异常值，然后发出警报。

第一个问题：这似乎是个好主意还是坏主意？

如果这是一个好方法：

我很难得到运行良好的东西。我探索了两种做事方式：

1）训练整个事情，并自行运行。

cval <- 3
mo2 <- locate.outliers.oloop(TS_train, 
                             arima_train, 
                             maxit.iloop = 100, 
                             maxit.oloop = 100, 
                             cval = cval)
d2<-discard.outliers(mo2,TS_train, method = "bottom-up",
                     tsmethod.call = arima_train$call,
                     cval = cval)

OTL <-  TS_train[sort(d2$outliers$ind)]

plot(1:length(TS_train), TS_train, type = 'p')
lines(1:length(TS_train), TS_train, col = "grey")
points(sort(d2$outliers$ind), OTL, col = "red")

这并没有给出很好的结果。见图 1。

2）有一个滑动窗口：以第1到60天为训练数据训练算法，评估第61天，滑动一天，以第2到61天为训练数据训练算法，评估第62天，滑动一天，依此类推.

plage <- 60
cval <- 3
ylim <-  range(DT$col1) + c(-1,1) * .05 * diff(range(DT$col1))

for( i in (plage + 1):65 ) { 
  TS_tmp <- ts(DT[(i-plage):i]$col1, frequency = 7)
  aa <- auto.arima(TS_tmp)
  mo_tmp <- locate.outliers.oloop(TS_tmp, aa, 
                                  maxit.iloop = 100, maxit.oloop = 100, 
                                  cval = cval)
  d_tmp <- discard.outliers(mo_tmp, TS_tmp, method = "bottom-up",
                            tsmethod.call = aa$call, cval = cval)

  Outl <- TS_tmp[sort(d_tmp$outliers$ind)]
  print(plot(DT[(i-plage):i]$col1, type = "b", xlim = c(1, nrow(DT)), ylim = ylim))
  print(points(sort(d_tmp$outliers$ind), Outl , col = "red"))
}

它似乎表现更差......（见图2）

再说一次，我对时间序列了解不多，也不知道如何评估模型的性能。

我的问题：

这两种方法中的任何一种都是好主意吗？哪个最好？有更好的主意吗？
我正在使用方法 n1 中的 9 个月数据。在方法 n2 中（如果相关），我的训练集中应该包含多少数据？（目前：60 天）
关于如何最好地校准模型的任何建议？

时间序列中的异常检测

用例：

我正在尝试什么：

如果这是一个好方法：