Twitter基于R语言的时序数据突变检测（BreakoutDetection）

标签：tde   时序数据   style   www.   ror   讲解   vol   nal   石头过河   

  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/

Twitter基于R语言的时序数据突变检测（BreakoutDetection）

标签：tde   时序数据   style   www.   ror   讲解   vol   nal   石头过河   

原文地址：https://www.cnblogs.com/liugh/p/9955692.html