拓端tecdat|R语言时间序列分解和异常检测方法应用案例

我们最近有一个很棒的机会与一位客户合作，要求构建一个适合他们需求的异常检测算法。业务目标是准确地检测各种营销数据的异常情况，这些数据包括跨多个客户和Web源数千个时间序列的网站操作和营销反馈。异常检测算法，该算法基于时间并可从一个到多个时间序列进行扩展。

案例研究

我们与许多教授数据科学的客户合作，并利用我们的专业知识加速业务发展。

我们的客户遇到了一个具有挑战性的问题：按时间顺序检测每日或每周数据的时间序列异常。异常表示异常事件，可能是营销域中的Web流量增加或IT域中的故障服务器。无论如何，标记这些不寻常的事件确保业务顺利运行非常重要。其中一个挑战是客户处理的不是一个时间序列，而是需要针对这些极端事件进行分析。

anomalize

这里有四个简单步骤的工作要点。

第1步：安装
 
install.packages("tidyverse")
 
第2步：加载
 
library(tidyverse)
 
 
第3步：收集时间序列数据
 
 
tidyverse_cran_downloads
 
## # A tibble: 6,375 x 3
 
## # Groups: package [15]
 
## date count package
 
##
 
## 1 2017-01-01 873. tidyr
 
## 2 2017-01-02 1840. tidyr
 
## 3 2017-01-03 2495. tidyr
 
## 4 2017-01-04 2906. tidyr
 
## 5 2017-01-05 2847. tidyr
 
## 6 2017-01-06 2756. tidyr
 
## 7 2017-01-07 1439. tidyr
 
## 8 2017-01-08 1556. tidyr
 
## 9