PHP und maschinelles Lernen: So implementieren Sie Anomalie -Erkennung von Zeitreihendaten

Einführung

In der heutigen datengesteuerten Ära von heute ist die Verarbeitung und Analyse von Zeitreihendaten von entscheidender Bedeutung geworden. Zeitreihendaten sind in chronologischer Reihenfolge angeordnet, die mehrere Beobachtungen oder Messungen abdecken. Die Erkennung von Anomalie ist eine wichtige Aufgabe in der Zeitreihenanalyse, die Unternehmen oder Organisationen dabei helfen kann, abnormale Verhaltensweisen rechtzeitig zu erkennen und die erforderlichen Maßnahmen zu ergreifen. In diesem Artikel wird vorgestellt, wie die Technologie von PHP und maschinellem Lernen verwendet wird, um Anomalie in Zeitreihendaten zu erkennen.

Daten vorbereiten

Zunächst müssen wir Zeitreihendaten erstellen. Angenommen, wir haben einen Datensatz, der den täglichen Umsatz aufzeichnet, und wir können diese Verkaufsdaten als Zeitreihendaten für eine abnormale Erkennung verwenden. Hier ist ein Beispieldatensatz:

 $dateSales = [
    ['2019-01-01', 100],
    ['2019-01-02', 120],
    ['2019-01-03', 80],
    ['2019-01-04', 90],
    ['2019-01-05', 110],
    // Weitere Datumsdaten...
];

Datenvorverarbeitung

Bevor wir die Ausnahmeberechtigung durchführen, müssen wir die Daten vorbereiten. Zunächst konvertieren wir Daten in Zeitstempel, so dass Algorithmen für maschinelles Lernen sie effizient verarbeiten können. Als nächstes normalisieren wir die Verkaufsdaten, um sicherzustellen, dass Unterschiede zwischen verschiedenen Merkmalen die Erkennung der Anomalie nicht beeinflussen. Hier ist ein Codebeispiel für die Datenvorverarbeitung:

 // Datum in Zeitstempel konvertieren
foreach ($dateSales as &$data) {
    $data[0] = strtotime($data[0]);
}

// Vertriebsdaten normalisieren
$sales = array_column($dateSales, 1);
$scaledSales = [];
$minSales = min($sales);
$maxSales = max($sales);
foreach ($sales as $sale) {
    $scaledSales[] = ($sale - $minSales) / ($maxSales - $minSales);
}

Wählen Sie den Anomalie -Erkennungsalgorithmus aus

Bevor wir mit der Anomalie -Erkennung beginnen, müssen wir den richtigen Algorithmus für maschinelles Lernen auswählen. Gemeinsame Zeitreihen -Anomalie -Erkennungsalgorithmen umfassen statistische Methoden, Clustering -Methoden und Deep -Lern -Methoden. In diesem Artikel werden wir den ARIMA -Algorithmus (autoregressives gleitendes Durchschnittsmodell) zur Erkennung von Anomalie verwenden.

Ausnahmeberichtung unter Verwendung von Arima -Algorithmus

Der Arima -Algorithmus ist ein statistisches Modell, das in der Zeitreihenanalyse weit verbreitet ist. Durch die ARIMA -Funktion in der Statistikbibliothek in PHP können wir diesen Algorithmus implementieren, um die Ausnahmerkennung durchzuführen. Hier ist ein Code -Beispiel für die Ausnahmeberichtung mit dem ARIMA -Algorithmus:

 $data = new StatsTimeSeries($scaledSales);

// Passen Sie das Modell ein
$arima = StatsARIMA::fit($data);

// Vorhersage des nächsten Datenpunkts
$prediction = $arima->predict();

// Berechnen Sie den Restfehler
$residual = $data->last() - $prediction;

// Stellen Sie eine Abnormalitätserkennungsschwelle fest
$errorThreshold = 0.05;

if (abs($residual) > $errorThreshold) {
    echo "Anomaly detected!";
} else {
    echo "No anomaly detected.";
}

Im obigen Code verwenden wir zunächst die Timeries -Klasse und die Arima -Klasse in der Statistic -Bibliothek, um das Modell zu initialisieren und anzupassen. Wir sagen dann den nächsten Datenpunkt voraus und berechnen den Restfehler. Schließlich bestimmen wir, ob der Restfehler den normalen Bereich überschreitet, indem wir den Schwellenwert festlegen, wodurch festgelegt wird, ob eine Anomalie vorliegt.

abschließend

In diesem Artikel wird beschrieben, wie die Techniken von PHP- und maschinellem Lernen verwendet werden, um die Anomalie -Erkennung zu Zeitreihendaten durchzuführen. Wir haben zuerst die Zeitreihendaten vorbereitet und vorverarbeitet, dann den ARIMA -Algorithmus ausgewählt und mithilfe der Statistikbibliothek in PHP implementiert. Durch die Durchführung von Schwellenwerterkennung von Vorhersagefehlern können wir die Abnormalitäten in den Daten effektiv beurteilen. Ich hoffe, dieser Artikel kann den Lesern helfen, Anomalie -Erkennungsmethoden für Zeitreihendaten zu verstehen und anzuwenden.