同样摘自知乎的回答：https://www.zhihu.com/question/29507442/answer/1212624591?utm_id=0
正巧之前做过时间序列 的异常检测项目，这里介绍几种尝试过的方法，也算是抛砖引玉 吧，欢迎大家讨论交流~
背景与定义
时间序列异常 检测的目的就是在时间序列中寻找不符合常见规律的异常点，无论是在学术界还是工业界这都是一个非常重要的问题。
应用十分广泛，这里拿“智能运维 ”场景的异常检测应用举例。企业的运维场景中有海量的运维指标数据，如果单纯依靠人力来发现并定位异常，将是十分低效的，所以如果可以开发一个智能运维系统对于异常波动 自动定位，将会提高运维效率。
现有方法
现有方法可以分为以下四类：
- 统计方法–通过历史同期的数据分布 来确定当前数据的合理波动范围。例如，k-sigma方法 。
- 预测方法 –比较预测值 与真实值的差异，超出阈值认为是异常点。
- 直接异常检测方法–有很多成熟算法，例如LOF，孤立森林 ，One-class SVM。
- 深度学习生成方法–对数据降维再升维重构，不能良好复原的点认为是异常点。例如GAN，VAE。
现有的方法在时间序列数据 中也许直接使用效果不好，这一点我们接下来的实验也能看出。
尝试的方法
–统计方法
异常检测工具包 （ADTK）是一个Python软件包，用于无监督/基于规则的时间序列异常检测。无需基于训练+测试范式，本方法具有极低的时间成本。基本思想是基于历史数据的统计，按照分位数或者阈值或者统计检验 的方法来判断当前点是否异常。
实验效果：模型倾向于把过多的点识别成异常值点 。
–直接异常检测
这种方法成熟的方法较多，大家可以参照Python的pyod软件包。
实验效果：时间序列正常的波动的高峰和低谷被判断为异常，没有充分利用时间维度 的信息。
–预测+统计方法（Prophet+3-sigma）
总体思路：如果数据超出了预测值的合理的波动范围，认为是异常。
预测方法采用Prophet实现，3-sigma可以借助历史的波动数据来估计，例如我们将时间往前推数周，得到间隔不同周的同一时刻的数据；将时间往前推1~7天，得到同一周内不同天的同一时刻的数值。计算这些数值的标准差，作为sigma的估计。在Prophet的预测上下界的基础上分别加上和减去3-sigma得到数据波动 的合理范围，超出范围用异常标注。
实验效果：考虑了时间维度的相关性，准确、高效。
–预测+直接异常检测的方法
去除时间序列的趋势和周期性。用预测模型 给出的预测值与真实值相减计算序列的残差，残差不包含周期性和趋势性，可以用作后续的异常检测。
当然为了提升模型的稳定性，我们可以在预测步骤采取多种预测方法，检测部分我们也可以用到pyod里面提供的多种方法，最终投票决定最终的结果。
实验效果：较好。
–深度学习生成模型
这里我们尝试了LSTM-AE的方法，效果不错。
总体思路：将高维数据压缩 至某一个特定维度大小，再还原至与原始数据 同样的维度。训练模型使得复原数据和原数据差距尽可能小。不能良好复原的点被认为是异常点。
总结
第3、4、5模型效果较好，对于时间序列检测问题可以尝试。
注：实验结果并非答主一人完成，也感谢当时一起参与项目的小伙伴