Metis 开源项目
Metis 采用 Tsfresh 和 XGBoost 组件进行时序异常检测，采用了三个时间窗口去进行预测
特征数据格式
时间窗默认 180 分钟，数据粒度 1 分钟
| 数据 |
上一时间窗 |
当前时间 |
下一时间窗 |
| 当前时刻 A |
√ |
√ |
|
| 昨日同期时刻 |
√ |
√ |
√ |
| 上周同期时刻 |
√ |
√ |
√ |
算法思路
先使用三种非监督方法进行检测，当某一方法输出异常时使用全监督的 XGBOOST 进行检测
非监督算法
Statistic 方法
3sigma 法，检测当前时刻点数值与历史数值均值相差是否大于三倍标准差
EWMA 方法
指数加权移动平均法，相比于 3sigma 法给予历史数据一个指数级递减的权重，距离当前数据点越近则权重越大
阈值为以下公式所示，其中\alpha为学习率
s_t \lt s_{avg} \pm 3 \times \sqrt {X_{avg}} \times \sqrt{\frac{\alpha}{2 - \alpha}}
Polynomial Interpolation 方法
多项式回归
IForest 方法（未使用）
孤立森林方法
全监督训练方法
XGBOOST
XGBOOST 是 GBDT（Gradient Boosting Decision Tree）的高效实现方法，并在 Kaggle 竞赛上获奖颇多。
参考
腾讯织云 Metis 异常检测原理刨析
通俗理解 kaggle 比赛大杀器 xgboost
终于有人说清楚了--XGBoost 算法
基于时间序列的异常检测算法小结
ARIMA（差分整合移动平均自回归模型）
ARIMA 更是一种类似于 EWMA 的时间序列预测模型
进行预测的一般步骤
- 数据获取与清洗：包括对数据进行预处理（比如利用数据平滑消除数据抖动）
- 数据预处理：时序图（原始图），自相关、偏自相关（消除序列的周期性与时间相关性），差分（消除自增减趋势，会损失数据）
- 模型识别：通过算法分析数据特征来确定使用何种检测算法或预测算法
- 模型定阶
- 参数估计
- 模型验证
张大东的个人网站