3.2 序列异常检测的挑战

1）异常子序列的长度难以有效确定

2）异常未在训练集中出现

3）序列经常存在比较大的噪声，会产生像离群点检测一样的淹没效应（异常点和正常点的距离很小，甚至难以分别）以及掩蔽效应（异常点增多，导致其密度增大）

3.3 序列异常检测的预处理-数据转换常见方式

1）聚合数据；常见的操作有 Piecewise Aggregate Approximation（PAA）以及其变体 Adaptive piecewise constant approximation(APCA)

2）离散化；与我们常见的数据离散化方式一致

3）基于信号处理的；常见的如傅里叶变换、小波变换、Haar变换等

3.4 序列异常检测常见的方式

4. 异常检测中的大杀器-iForest

4.1 iForest 异常检测的原理

          iForest（孤立森林）的原理和常见的异常检测算法一样直观上非常容易理解，iForest像随机森林一样也是由大量的树构成，简称iTree。iTree的构建过程是每次随机选一个特征，然后随机在特征的最大值和最小值之间选择一个分界值，然后对数据进行二叉划分，不断的递归下去，直到不能够进行划分为止，就构造了一颗二叉树-iTree。而进行离群点判断时，我们会发现离群点在iTree树的深度更浅。如上图所示，正常点xi需要多次划分才能定位，而异常点比较少的划分就可以定位。

           如上图所示，随着iTree树的个数的增加，正常点和离群点的树的平均深度都快速收敛，而且正常点的树的深度明显更大。

4.2 iForest 异常检测的优势

1）高效，尤其在线的检测只需要遍历整个iForest既可得到结果。

2）自适应，与传统基于密度或者距离的异常检测算法不同，它们的阈值全部是全局的阈值，所以在异常点局部密度较大时会失效，而iTree在每次对二叉树进行划分时，都是在局部的最大值和最小值之间随机选值，也就是说每次划分的取值区间是根据局部自适应的，这让iForest变得鲁棒、强大。

参考文献：

《python 数据分析与挖掘实战》张良均 等; 书籍

《外卖订单量预测异常报警模型实践》东杰; 美团技术团队博客 链接：https://tech.meituan.com/order-holtwinter.html

《Introduction to Anomaly Detection》Pramit Choudhary; datascience blog链接：https://www.datascience.com/blog/intro-to-anomaly-detection-learn-data-science-tutorials

《Outlier detection with several methods》;sklearn doc 链接：http://scikit-learn.org/stable/auto_examples/covariance/plot_outlier_detection.html#sphx-glr-auto-examples-covariance-plot-outlier-detection-py

 《Anomaly Detection of Time Series》Deepthi Cheboli；硕士论文

《Isolation-based Anomaly Detection》周志华 等；期刊论文