Gör så här: Använda Avvikelseidentifiering univariate-API:et för dina tidsseriedata
I Avvikelseidentifiering-API:et finns två metoder för avvikelseidentifiering. Du kan antingen identifiera avvikelser som en batch i dina tidsserier eller när dina data genereras genom att identifiera den senaste datapunktens avvikelsestatus. Identifieringsmodellen returnerar avvikelseresultat tillsammans med varje datapunkts förväntade värde och de övre och lägre gränserna för avvikelseidentifiering. Du kan använda dessa värden för att visualisera intervallet med normala värden och avvikelser i data.
Lägen för avvikelseidentifiering
I Avvikelseidentifiering-API:et finns identifieringslägen: batch och strömning.
Anteckning
Följande begärande-URL:er måste kombineras med lämplig slutpunkt för din prenumeration. Exempelvis: https://<your-custom-subdomain>.api.cognitive.microsoft.com/anomalydetector/v1.0/timeseries/entire/detect
Batchidentifiering
Om du vill identifiera avvikelser i en batch med datapunkter över ett visst tidsperioder använder du följande begärande-URI med dina tidsseriedata:
/timeseries/entire/detect.
Genom att skicka tidsseriedata samtidigt genererar API:et en modell med hjälp av hela serien och analyserar varje datapunkt med den.
Strömningsidentifiering
Om du vill identifiera avvikelser kontinuerligt på strömmande data använder du följande begärande-URI med din senaste datapunkt:
/timeseries/last/detect.
Genom att skicka nya datapunkter när du genererar dem kan du övervaka dina data i realtid. En modell genereras med de datapunkter som du skickar och API:et avgör om den senaste punkten i tidsserien är en avvikelse.
Justera nedre och övre gränser för avvikelseidentifiering
Som standard beräknas de övre och nedre gränserna för avvikelseidentifiering med expectedValue hjälp av , och upperMargin lowerMargin . Om du behöver olika gränser rekommenderar vi att du tillämpar marginScale på upperMargin eller lowerMargin . Gränserna skulle beräknas på följande sätt:
| Gränsen | Beräkning |
|---|---|
upperBoundary |
expectedValue + (100 - marginScale) * upperMargin |
lowerBoundary |
expectedValue - (100 - marginScale) * lowerMargin |
I följande exempel visas ett Avvikelseidentifiering API-resultat med olika känsligheter.
Exempel med känslighet på 99
Exempel med känslighet på 95
Exempel med känslighet på 85
