时序数据异常检测的综述

pyculiarity 时序数据异常检测

pyculiarity 用于时序数据异常检测，能有效识别异常值。

数据挖掘 2 2024-05-13

高维数据中的异常检测-综述异常检测方法

高维数据的异常探测方法由Aggarwal和Yu (SIGMOD’2001)提出。该方法将高维数据集映射到低维子空间，通过评估子空间中数据的稀疏性来识别异常数据。

算法与数据结构 3 2024-07-22

时序数据的自相关分析图像和时序数据的自相关计算及其应用

特里斯坦·乌塞尔在2018年8月提出了一种新的自相关计算方法，称为imageautocorr。这种方法可以对时序数据或图像进行自相关分析，输出归一化相关系数在-1到1之间的自相关矩阵。用户可以通过不同的输入方式调用imageautocorr函数，包括直接加载图像文件或数据路径。这种方法不仅适用于图像数据，也可以用于任何类型的有序数据，为研究和应用提供了广泛的可能性。

Matlab 0 2024-10-01

城市轨道客流时序数据

城市轨道客流时序数据集提供城市轨道客流的时序数据。

统计分析 3 2024-05-15

基于统计的异常检测算法综述

基于统计的方法假设给定的数据集服从某种随机分布，通过不一致性测试来识别异常。然而，在实际应用中，数据往往不符合理想的数学分布，尤其是在高维情况下，估计数据点的分布变得极其困难。

算法与数据结构 0 2024-08-16

异常数据检测方法综述（2009年）

研究了数据挖掘中异常点检测的通用方法，并分析了它们的优缺点。还探讨了在高维和基于聚类的异常点挖掘中的应用情况，希望为进一步改进提供基础。

数据挖掘 2 2024-07-16

IBM Informix 12.1 时序数据用户指南

Informix 是 IBM 旗下的关系型数据库管理系统，作为 IBM 在线事务处理的旗舰级数据服务系统，该产品将作为集成解决方案提供。IBM 将持续规划 Informix 和 DB2 的发展，使这两个数据库产品相互借鉴技术优势。IBM 在 2005 年初发布了 Informix Dynamic Server（IDS）第 10 版。目前最新的版本是 IDS11（v11.50，代号为“Cheetah 2”），于 2008 年 5 月 6 日全球同步上市。

Informix 3 2024-04-29

异常检测算法综述基于不同方法的异常探测分类

异常检测方法可以基于多种不同的方法进行分类：包括统计学方法、距离度量方法、偏差检测方法和密度估计方法。这些方法在处理高维数据时也有各自的应用场景。

算法与数据结构 2 2024-07-20

单元划分法异常检测算法综述

该方法将数据空间分割为单元，单元长宽为 D/(2k1/2)。每个单元包含两层包围层：内层厚度为 1 倍单元长度，外层厚度为 int（2k1/2 -1）+1 倍单元长度。异常判定：- 若 cell_+1_layer_count > M，则单元中的对象均为非异常。- 若 cell+_2_layer_count

算法与数据结构 3 2024-05-26