哪种算法适合我的时间序列数据？

Question

我正在监视团队中工作，我们在工具上监视客户端负载。 我们记录了与时间序列有关的延迟。

最初，我保持静态阈值以提高异常检测率。但是，如果发生季节性变化，则无法使用。现在，我计划将ML应用于我的数据。

我的数据如下：

volume_nfs_ops   timestamp           mount_point
---------------------------------------------------------
2103             6/28/2018 3:16      /slowfs/us01dwt2p311
12440            6/28/2018 6:03      /slowfs/us01dwt2p311
14501            6/28/2018 14:20     /slowfs/us01dwt2p311
12482            6/28/2018 14:45     /slowfs/us01dwt2p311
10420            6/28/2018 18:09     /slowfs/us01dwt2p311
7203             6/28/2018 18:34     /slowfs/us01dwt2p311
14104            6/28/2018 21:58     /slowfs/us01dwt2p311
6996             6/29/2018 7:35      /slowfs/us01dwt2p311
11282            6/29/2018 8:39      /slowfs/us01dwt2p311

当我使用Google时，我想到ARIMA是时间序列的最佳模型。我很喜欢数学，可以弄清楚各自的ARIMA是否适合我的数据集。

我的问题是哪种算法最适合在Python中实现？ 我应该考虑哪些因素来发现异常？

Answer 1

有很多异常检测技术。即使要检测时间序列数据中的异常，也无需研究时间序列预测算法。很少有方法-

A）如果您知道异常，请使用分类算法。您的情况可能是异常的阈值吗？ -

https://machinelearningstories.blogspot.com/2018/07/anomaly-detection-anomaly-detection-by.html

B）如果数据中没有已知的异常，则需要进行无监督的异常检测算法。 K-Means，LOF，CBF，PCA，Angular等。

C）无监督算法（聚类的异常值）从不给出异常，而是这些异常值，因此，如果您认为异常值表示异常，请使用这些基于聚类（B）的异常检测算法。

4）异常检测和时间序列完全是专业领域。不要感到困惑。如果您正在寻找无监督的异常检测算法，我可以共享一些文档。