时序预测 01

z-score 的基础概念

这种方法基于原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化。
将A的原始值x使用z-score标准化到x’,
x′=x−μδ ,μ为数据的均值, δ为方差。
z-score标准化方法适用于属性A的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况。
将数据按其属性(按列进行)减去其均值，然后除以其方差。
最后得到的结果是，对每个属性/每列来说所有数据都聚集在0附近，方差值为1。

Python使用平滑移动+z-score进行时序数据的异常值检测 （调参总结见代码注释及后续结果输出）

# -*- coding: utf-8 -*-

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import math


def smoothed_z_score_test(data):

    """  一点调参总结
    平滑z-score 测试
    :param y: 原DataFrame的数据列
    :param lag: 滞后数(初始滑动窗口大小) ， 建议设置为业务线的循环周期需要的天数, 看业务线的周期规律——估算出回归周期，乘上系数; 按天变化的设置为7*4天, 按周的设置为7*4*4天, 等
    :param threshold: 阈值 = 当前值超出前面所有的值的平均水平的绝对值 除以 前面所有的值的标准差的倍数 的上限， 建议2倍
    :param influence: 平滑系数，发生异常点时使用的平滑系数,(0,1)，值越大越受当前值的影响，及异常值的折算系数，建议0.5左右
    :return:
    """

    input_id = 157  # 输入数据的id
    output_id = 161  # 聚合并输出的数据的id

    start_date = '2017-01-01'  # 开始转换的时间
    end_date = '2020-01-31'  # 结束转换的时间

    y = data[input_id]['data_value']
    # 设置z-score参数
    lag, threshold, influence = 8 * 2, 2, 0.5

    signals = np.zeros(len(y))
    filteredY = np.array(y)
    avgFilter = [0] * len(y)
    stdFilter = [0] * len(y)
    avgFilter[lag - 1] = np.mean(y[0:lag])
    stdFilter[lag - 1] = np.std(y[0:lag])
    for i in range(lag, len(y)):
        if abs(y[i] - avgFilter[i - 1]) > threshold * stdFilter[i - 1]:
            if y[i] > avgFilter[i - 1]:
                signals[i] = 1
            else:
                signals[i] = -1

            filteredY[i] = influence * y[i] + (1 - influence) * filteredY[i - 1]
            avgFilter[i] = np.mean(filteredY[(i - lag + 1):i + 1])
            stdFilter[i] = np.std(filteredY[(i - lag + 1):i + 1])
        else:
            signals[i] = 0
            filteredY[i] = y[i]
            avgFilter[i] = np.mean(filteredY[(i - lag + 1):i + 1])
            stdFilter[i] = np.std(filteredY[(i - lag + 1):i + 1])

    series_dict = dict(signals=np.asarray(signals),
                       avgFilter=np.asarray(avgFilter),
                       stdFilter=np.asarray(stdFilter)
                       )

    data[output_id] = data[input_id].copy()
    data[output_id]['data_value'] = np.asarray(series_dict['signals'])


def paint(dfs=[], labels=[], title='暂无'):
    assert len(dfs) == len(labels)
    plt.rcParams['font.sans-serif'] = ['SimHei']  # 显示中文标签
    plt.rcParams['axes.unicode_minus'] = False

    plt.figure(figsize=(16, 8))
    for i in range(0, len(dfs)):
        plt.plot(dfs[i]['data_value'], label=labels[i])
    plt.legend(loc='best')
    plt.title(title)
    plt.show()

if __name__ == '__main__':
    idx = pd.date_range('2020-01-01', periods=90, freq='D')

    cos_arr = np.arange(len(idx)) * np.pi / 8
    for i in range(0, len(cos_arr)):
        cos_arr[i] = math.cos(cos_arr[i])
    # 人为制造两个异常点
    cos_arr[24] -= 1
    cos_arr[25] -= 2
    cos_arr[32] += 1
    data_value = pd.Series(cos_arr, index=idx)

    # 设置z-score参数

    df = pd.DataFrame({
        'data_time': idx,  # 时间列
        'data_value': data_value  # 数据列
    })

    data = {}
    data[157] = df
    data[161] = pd.DataFrame()
    smoothed_z_score_test(data)

    paint(dfs=[data[157], data[161]], labels=['origin', 'signal'])

输出绘图

正弦函数模拟测试01 (上面的代码的直接输出)

• 输入数据特征： 回归周期为8*2天，阈值2倍， 异常值折算为0.5倍
• 对应使用的参数为lag, threshold, influence = 8 * 2, 2, 0.5
  

历史某业务线数据测试 （多次调整后）

• 输入数据特征： 回归周期为24小时(再74后就是一个月)，阈值3倍， 异常值折算为0.5倍
• 使用参数为： lag, threshold, influence = 2474, 3, 0.5
• 蓝线为业务数据， 红线为 z-score计算出的脉冲数据乘以100倍
  

参考链接：

https://www.imooc.com/article/39419 python 数据标准化常用方法，z-scoremin-max标准化
https://zhuanlan.zhihu.com/p/39453139 Smoothed z-score algorithm简介配图
https://stackoverflow.com/questions/22583391/peak-signal-detection-in-realtime-timeseries-data/43512887#43512887 源代码、Smoothed z-score algorithm实践代码