时间序列异常是指按时间顺序排列的观测数据序列中，显著偏离预期行为的数据点或模式。这些偏差可能表明错误、异常事件或需要关注的关键事件。 例如，服务器 CPU 使用率的突然飙升、电子商务销售额的意外下降或工业设备中不规则的传感器读数都可能是异常。异常通常分为三种类型：点异常（单个异常数据点）、上下文异常（在特定上下文中异常的数据点，例如夜间的温度峰值）和集体异常（一系列共同构成异常模式的数据点，例如重复的登录失败尝试）。检测这些异常有助于及早发现问题，例如系统故障、欺诈或性能瓶颈。
检测时间序列异常通常涉及统计方法、机器学习模型或混合方法。 简单的统计技术包括使用移动平均线、Z 分数或阈值来标记超出定义范围的数据点。 例如，高于 3 的 Z 分数可能表示一个点异常。 机器学习方法，例如隔离森林或 One-Class SVM，可以对正常行为进行建模，并在没有预定义规则的情况下检测偏差。 对于复杂的模式，像 ARIMA（自回归积分移动平均）或 Prophet 这样的模型会预测期望值，并将残差（预测值和实际值之间的差异）突出显示为异常。 深度学习方法，例如 LSTMs（长短期记忆网络），可以捕获时间依赖性并检测细微的上下文或集体异常。 诸如 Facebook 的 Prophet 之类的工具或诸如 scikit-learn 和 PyOD（Python 异常值检测）之类的库为此类方法提供了即用型实现。
在实施异常检测时，开发人员必须考虑数据预处理、模型选择和评估。 预处理步骤（例如处理缺失值、平滑噪声或归一化数据）至关重要。 例如，应用滚动中值滤波器可以减少传感器数据中的噪声。 模型选择取决于异常类型和数据特征：统计方法适用于简单的点异常，而 LSTM 适用于复杂的高频数据。 诸如精确率、召回率或 F1 分数之类的评估指标有助于评估性能，但是通常需要进行特定于领域的调整（例如，在欺诈检测中优先考虑低误报率）。 实时系统可能需要轻量级模型（例如，指数平滑）以实现低延迟，而批处理可以使用计算量更大的方法。 诸如用于监控的 Prometheus 或 Elasticsearch 的异常检测 API 之类的开源框架提供了可扩展的解决方案。 结合多种技术（例如，使用 Z 分数进行初始过滤，并使用 LSTM 进行更深入的分析）可以提高鲁棒性。