Twitter基于R语言的时序数据突变检测(BreakoutDetection)
Posted liugh
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Twitter基于R语言的时序数据突变检测(BreakoutDetection)相关的知识,希望对你有一定的参考价值。
Twitter开源的时序数据突变检测(BreakoutDetection),基于无参的E-Divisive with Medians (EDM)算法,比传统的E-Divisive算法快3.5倍以上,并且具有鲁棒统计性,就是你加入一些离群点或异常点,并不影响该算法的检测效果,不过最关键的还是无参特性,有时候调参真是件摸着石头过河的事。
它认为突变有两种方式:
1.Mean Shift:突然跳变,比如CPU从40%一跃跳变为60%,像佛教里讲的“顿宗”
2.Ramp Up:缓慢从一个平稳状态渐变到另一个平稳状态,比如CPU从40%平稳缓慢渐变为60%并平稳,像佛教里讲的“渐宗”
项目源代码(提交后好像就不更新了):https://github.com/twitter/BreakoutDetection/
其他针对该算法的讲解(可能需要梯子):
https://blog.revolutionanalytics.com/2014/11/breakout-detection.html
https://blog.twitter.com/2014/breakout-detection-in-the-wild
https://anomaly.io/anomaly-detection-using-twitter-breakout/
【注】https://anomaly.io/真的挺不错,需要持续关注其中的博客
视频:
https://www.youtube.com/watch?v=fcsyL5TwIvE
“鲁棒统计”
Robust Statistics:A minor error[the anomaly] in the mathematical model should cause only a small error in the final conclusions
[moving median] 属于鲁棒统计,[moving average]不属于鲁棒统计
https://anomaly.io/moving-median-robust-anomaly/
以上是关于Twitter基于R语言的时序数据突变检测(BreakoutDetection)的主要内容,如果未能解决你的问题,请参考以下文章
python | prophet的案例实践:趋势检验突变点检验等
python | prophet的案例实践:趋势检验突变点检验等