Verwenden der API zur Erkennung von univariaten Anomalien für Zeitreihendaten
Wichtig
Ab dem 20. September 2023 können Sie keine neuen Anomalieerkennung-Ressourcen mehr erstellen. Der Anomalieerkennung-Dienst wird am 1. Oktober 2026 eingestellt.
Die Anomalieerkennungs-API bietet zwei Methoden zur Erkennung von Anomalien. Sie können Anomalien entweder als Batch über Ihre Zeitreihen oder beim Generieren Ihrer Daten erkennen, indem Sie den Anomaliestatus des letzten Datenpunkts erkennen. Das Erkennungsmodell gibt die Anomalieergebnisse zusammen mit dem erwarteten Wert der einzelnen Datenpunkte und den oberen und unteren Grenzen der Anomalieerkennung zurück. Mit diesen Werten können Sie den Bereich der Normalwerte und Anomalien in den Daten visualisieren.
Anomalieerkennungsmodi
Die Anomalieerkennungs-API stellt Erkennungsmodi bereit: Batch und Streaming.
Hinweis
Die folgenden Anforderungs-URLs müssen mit dem entsprechenden Endpunkt für Ihr Abonnement kombiniert werden. Beispiel: https://<your-custom-subdomain>.api.cognitive.microsoft.com/anomalydetector/v1.0/timeseries/entire/detect
Batcherkennung
Verwenden Sie den folgenden Anforderungs-URI mit Ihren Zeitreihendaten, um Anomalien in einem Batch von Datenpunkten über einen bestimmten Zeitbereich zu erkennen:
/timeseries/entire/detect.
Indem Sie Ihre Zeitreihendaten auf einmal senden, generiert die API ein Modell, das die gesamte Zeitreihe verwendet und analysiert damit jeden Datenpunkt.
Streamingerkennung
Verwenden Sie den folgenden Anforderungs-URI mit Ihrem neuesten Datenpunkt, um kontinuierlich Anomalien beim Streaming der Daten zu erkennen:
/timeseries/last/detect.
Indem Sie neue Datenpunkte während der Generierung senden, können Sie Ihre Daten in Echtzeit überwachen. Es wird ein Modell mit den von Ihnen gesendeten Datenpunkten erstellt, und die API ermittelt, ob der letzte Punkt in der Zeitreihe eine Anomalie darstellt.
Anpassen der unteren und oberen Grenzen der Anomalieerkennung
Standardmäßig werden die obere und untere Grenze für die Anomalieerkennung mit expectedValue, upperMargin und lowerMargin berechnet. Wenn Sie andere Grenzen benötigen, wird empfohlen, marginScale auf upperMargin oder lowerMargin anzuwenden. Die Grenzen werden wie folgt berechnet:
| Grenze | Berechnung |
|---|---|
upperBoundary |
expectedValue + (100 - marginScale) * upperMargin |
lowerBoundary |
expectedValue - (100 - marginScale) * lowerMargin |
Die folgenden Beispiele zeigen ein Ergebnis der Anomalieerkennungs-API bei verschiedenen Empfindlichkeiten.
Beispiel mit einer Empfindlichkeit von 99
Beispiel mit einer Empfindlichkeit von 95
Beispiel mit einer Empfindlichkeit von 85
