Question

我正在进行大学项目预测。我有一个庞大的数据库，有两个城市之间的需求。但是，我知道这个数据集已被污染。但是，我不知道哪些数据点被遮挡了。数据集是一个面板数据集，每月跟踪城市对之间的需求。以下是我正在使用的数据的一部分。

      CAI.JED CAI.RUH ADD.DXB CAI.IST  ALG.IST
2013-01-01   19196   14777      16    1413      12
2013-02-01   19913       8   18203    1026       5
2013-03-01   34242   11751   17836     985       1
2013-04-01   23481   12000   13479     948      27
2013-05-01   24428   16046   16391     954       9
2013-06-01   31791   23479   16571       1       4
2013-07-01   33716   20090   11323       0    5724
2013-08-01   35553       2   11121       0       0
2013-09-01   18746   13423   12119       0      26
2013-10-01      10   12223   10239       0       0
2013-11-01      19   20234   14231       5       2
2013-12-01   15198       1   12132      10       5

数据集是两个数据集的组合。向我提供数据的人告诉我，在几个月内，两个数据集中只有一个正在运行。但是，不知道哪个月可以使用哪个特定数据集。

现在我的问题是：对于项目的下一部分，我需要获得年度需求数量。但是，正如我所知，数字模糊不清，我想删除异常值。 R有哪些技术可以做到这一点？

由于数据采用时间序列格式，我尝试使用tsoutliers包（请参阅http://cran.r-project.org/web/packages/tsoutliers/tsoutliers.pdf）。但是，我无法让这个工作。此外，我尝试了https://stats.stackexchange.com/questions/104882/detecting-outliers-in-time-series-ls-ao-tc-using-tsoutliers-package-in-r-how/104946#104946的建议，但它没有用。

在知道异常值是什么之后，我想要替换它们（例如用该路线的平均值），或者如果缺少太多的点，我想从数据集中拒绝整个路线。

Answer 1

我更喜欢基于密度的聚类算法，例如DBSCAN。如果您修改epsilon和num-sample，则可以非常特别地过滤异常值用图解法显示结果（标签-1是异常值）

检测时间序列异常值

1 个答案: