要考虑的一种方法是动态时间规整 (DTW)，它测量时间序列之间的相似性。DTW 能够比较不同长度的时间序列，所得分数可用于确定样本中哪些序列最独特。您会在许多文章中发现 DTW 与 KNN 分类配合得很好（我个人可以证明该组合取得了成功），因此您可以编写一个脚本来计算 DTW 分数，然后找到距离最远的系列分数其他。

DTW 的一些介绍和有用的页面：

• 了解动态时间规整
• 使用动态时间扭曲的时间序列相似性 - 解释
• 时间序列聚类
• 关于使用 DTW 进行聚类的有用 SE 交叉验证帖子

对于人类观察者来说，很明显“A”和“E”是不同的，因为与“B”、“C”和“D”相比，它们在幅度上表现出不同的模式。“E”的轨迹大部分看起来并没有什么不同，它只是以一定的间隔快速上下跳跃。

我的想法是在你的时间跨度内评估你的线在某些窗口的幅度。假设您将双小时振幅作为该窗口中图形的最高点和最低点之间的差，我们称之为$A(t,l)$， 和 $t$ 代表您的时间窗口的开始，以及 $l$指示线。然后，您可以在五行之间比较该值。

然后，您可以尝试设置不同的阈值，看看什么效果最好。仅查看此数据后，它将起作用：

• 设置最小阈值$t_{min}$为了$A$, 在一些低值。低幅度，或$0$，在财务用例中可能总是错误的。
  这将检测到线“A”是异常值，因为$A(t,a) = 0 < t_{min}$
• 设置差异阈值$t_{diff}$基于上一步中未过滤掉的所有行的值。您可能可以在这里使用标准偏差进行一些数学运算，或者像这样的启发式算法：如果$A(t,l) > 2 * mean(A(t,l_{all}))$.
  然后你可能会发现$A(t,e)$ 远大于“B”“C”和“D”。

希望这可以帮助！