基于异方差高斯过程的时间序列数据离群点检测

摘要 时间序列数据在测量过程中通常受到事物内在可变性以及外界干扰等因素的影响，针对各个时间点上数据受影响程度不同的情况，提出一种基于高斯过程预估模型的时间序列数据离群点检测方法。将监测数据分解为标准值和偏差项两个部分，除了对理想情况下的标准值建模，还再次使用高斯过程实现对异方差偏差项的有效描述，通过变分推断解决引入偏差项后的后验概率求解问题，将后验分布中设定的容差区间用于离群点判定。使用雅虎公司公开的网络流量时序数据进行验证，模型输出的容差区间在不同时间点上的变化趋势与标注的正常数据偏差情况相符，并在对比实验中异常检测性能指标F1-score优于自回归积分滑动平均模型、一类支持向量机以及基于密度并伴随噪声的空间聚类算法。实验结果表明，该模型能够有效描述各个时间点上正常数据的分布情况，取得误报率和召回率两方面的综合权衡，而且可以避免模型参数设置不当导致的性能问题