外觀
Machine Learning › 非監督式學習 › 異常偵測 › 時間序列異常
時間序列異常 (Time-Series Anomalies)
時間序列的問題不是「這個值大不大」,而是「這個值在這個時間點是否不尋常」。週一的高流量、節慶期間的高銷售、成長期的高數值都可能完全正常;忽略時間結構,季節性本身就會被誤判成異常。
為什麼全域門檻會失敗

模擬:60 天的每小時資料,有趨勢 + 每日週期 + 雜訊,注入 3 個異常。
| 方法 | 結果 |
|---|---|
| 全域平均 ± 3 SD | 0 個標記,3 個異常全漏掉:每日週期與趨勢讓 SD 很大,異常值仍在範圍內 |
| STL 分解後,對殘差做穩健 z-score(|z| > 4) | 4 個標記,3 個異常全抓到,1 個偽陽性 |
| 全域門檻的問題 | 說明 |
|---|---|
| 基準會漂移 | 趨勢讓早期與晚期的「正常」不同 |
| 變異隨時間改變 | 不同季節、不同時段的波動不同 |
| 自相關 | 連續觀測不獨立,簡單統計門檻的假設不成立 |
全域 z-score 適合當初步篩檢,不適合當最終的異常邏輯。
殘差法:先建「預期值」,再看偏離
趨勢吸收緩慢變化、季節性吸收重複結構,殘差留下真正意外的部分。
python
import numpy as np
import pandas as pd
from statsmodels.tsa.seasonal import STL
# 1. 時間索引
df["Date"] = pd.to_datetime(df["Date"])
s = df.set_index("Date")["value"].asfreq("h")
# 2. STL 分解:period = 一個季節週期的長度(每小時資料、每日週期 → 24)
res = STL(s, period=24, seasonal=25, robust=True).fit().resid
# seasonal 是季節平滑的視窗(奇數);robust=True 降低異常值對分解本身的影響
# 3. 殘差的穩健 z-score(中位數與 MAD,不被異常值拉走)
mad = 1.4826 * (res - res.median()).abs().median()
robust_z = (res - res.median()) / mad
anomalies = robust_z.abs() > 4
# 簡化版:滾動中位數當基準
baseline = s.rolling(24 * 7, center=True, min_periods=24).median()參數會影響結果:同一份資料用
robust=True搭配預設seasonal=7時,殘差的 MAD 被壓得太小,|z| > 4 會標出 29 個點;改用seasonal=25只有 4 個。上線前要用已知事件校正閾值。分解方法的細節見 時間序列分解。
| 建立預期值的方法 | 適合 |
|---|---|
| 滾動平均 / 中位數 | 簡單、無明顯季節性 |
| STL 分解 | 有穩定季節週期 |
| 預測模型(ARIMA、Prophet、ML) | 有多重季節、節日效應;殘差 = 實際 − 預測,見 ARIMA |
| 日曆特徵 + 一般模型 | 星期、月份、節日等情境 |
python
# 日曆特徵:讓模型知道「什麼時候」
df["day_of_week"] = df.index.dayofweek
df["hour"] = df.index.hour
df["month"] = df.index.month感測器 / IoT 資料:統計異常 ≠ 營運事件
不尋常的值可能來自:感測器故障、封包遺失或延遲、裝置重啟,或是真實的環境 / 製程改變。要同時問兩個問題:**統計上不尋常嗎?和營運上有意義嗎?**許多遙測「異常」其實是資料品質事件。
有標籤之後:變成監督式告警
| 沒有標籤 | 有標籤(如每個時間窗標記正常 / 異常) |
|---|---|
| 從結構偵測不尋常行為 | 訓練分類器預測已知的告警狀態 |
| 評估靠專家審查 | 標準的 不平衡分類 問題 |
監督式時要注意:標籤品質、類別不平衡、依時間切分避免洩漏(見 交叉驗證)、標籤標的是根因、症狀還是下游告警。
多方法並用
困難的序列常同時比較:鄰域型偵測器、隔離型偵測器、殘差門檻。多個方法同意的點,通常比單一分數更值得優先審查。