AnomalyDetectorClient.DetectUnivariateEntireSeries Méthode

Définition

Espace de noms:

Azure.AI.AnomalyDetector

Assembly:

Azure.AI.AnomalyDetector.dll

Paquet:

Azure.AI.AnomalyDetector v3.0.0-preview.7

Surcharges

DetectUnivariateEntireSeries(UnivariateDetectionOptions, CancellationToken)	Détectez les anomalies pour l’ensemble de la série par lot.
DetectUnivariateEntireSeries(RequestContent, RequestContext)	[Méthode de protocole] Détectez les anomalies pour l’ensemble de la série par lot. Cette méthode de protocole permet la création explicite de la demande et le traitement de la réponse pour les scénarios avancés. Essayez d’abord la surcharge de commodité plus simple DetectUnivariateEntireSeries(UnivariateDetectionOptions, CancellationToken) avec des modèles fortement typés.

DetectUnivariateEntireSeries(UnivariateDetectionOptions, CancellationToken)

Source:

AnomalyDetectorClient.cs

Détectez les anomalies pour l’ensemble de la série par lot.

public virtual Azure.Response<Azure.AI.AnomalyDetector.UnivariateEntireDetectionResult> DetectUnivariateEntireSeries (Azure.AI.AnomalyDetector.UnivariateDetectionOptions options, System.Threading.CancellationToken cancellationToken = default);

abstract member DetectUnivariateEntireSeries : Azure.AI.AnomalyDetector.UnivariateDetectionOptions * System.Threading.CancellationToken -> Azure.Response<Azure.AI.AnomalyDetector.UnivariateEntireDetectionResult>
override this.DetectUnivariateEntireSeries : Azure.AI.AnomalyDetector.UnivariateDetectionOptions * System.Threading.CancellationToken -> Azure.Response<Azure.AI.AnomalyDetector.UnivariateEntireDetectionResult>

Public Overridable Function DetectUnivariateEntireSeries (options As UnivariateDetectionOptions, Optional cancellationToken As CancellationToken = Nothing) As Response(Of UnivariateEntireDetectionResult)

Paramètres

options

UnivariateDetectionOptions

Méthode de détection d’anomalie univariée.

cancellationToken

CancellationToken

Jeton d’annulation à utiliser.

Retours

Response<UnivariateEntireDetectionResult>

Exceptions

ArgumentNullException

options a la valeur null.

Exemples

Cet exemple montre comment appeler DetectUnivariateEntireSeries avec les paramètres requis.

var credential = new AzureKeyCredential("<key>");
var endpoint = new Uri("<https://my-service.azure.com>");
var client = new AnomalyDetectorClient(endpoint, credential);

var options = new UnivariateDetectionOptions(new TimeSeriesPoint[] 
{
    new TimeSeriesPoint(3.14f)
{
        Timestamp = DateTimeOffset.UtcNow,
    }
})
{
    Granularity = TimeGranularity.Yearly,
    CustomInterval = 1234,
    Period = 1234,
    MaxAnomalyRatio = 3.14f,
    Sensitivity = 1234,
    ImputeMode = ImputeMode.Auto,
    ImputeFixedValue = 3.14f,
};
var result = client.DetectUnivariateEntireSeries(options);

Remarques

Cette opération génère un modèle avec une série entière. Chaque point est détecté avec le même modèle. Avec cette méthode, les points avant et après un certain point sont utilisés pour déterminer s’il s’agit d’une anomalie. L’ensemble de la détection peut donner à l’utilisateur un état global de la série chronologique.

DetectUnivariateEntireSeries(RequestContent, RequestContext)

Source:

AnomalyDetectorClient.cs

[Méthode de protocole] Détectez les anomalies pour l’ensemble de la série par lot.

• Cette méthode de protocole permet la création explicite de la demande et le traitement de la réponse pour les scénarios avancés.
• Essayez d’abord la surcharge de commodité plus simple DetectUnivariateEntireSeries(UnivariateDetectionOptions, CancellationToken) avec des modèles fortement typés.

public virtual Azure.Response DetectUnivariateEntireSeries (Azure.Core.RequestContent content, Azure.RequestContext context = default);

abstract member DetectUnivariateEntireSeries : Azure.Core.RequestContent * Azure.RequestContext -> Azure.Response
override this.DetectUnivariateEntireSeries : Azure.Core.RequestContent * Azure.RequestContext -> Azure.Response

Public Overridable Function DetectUnivariateEntireSeries (content As RequestContent, Optional context As RequestContext = Nothing) As Response

Paramètres

content

RequestContent

Contenu à envoyer en tant que corps de la demande.

context

RequestContext

Contexte de la demande, qui peut remplacer les comportements par défaut du pipeline client par appel.

Retours

Response

Réponse retournée par le service.

Exceptions

ArgumentNullException

content a la valeur null.

RequestFailedException

Le service a retourné un code de status non réussi.

Exemples

Cet exemple montre comment appeler DetectUnivariateEntireSeries avec le contenu de requête requis et comment analyser le résultat.

var credential = new AzureKeyCredential("<key>");
var endpoint = new Uri("<https://my-service.azure.com>");
var client = new AnomalyDetectorClient(endpoint, credential);

var data = new {
    series = new[] {
        new {
            value = 123.45f,
        }
    },
};

Response response = client.DetectUnivariateEntireSeries(RequestContent.Create(data));

JsonElement result = JsonDocument.Parse(response.ContentStream).RootElement;
Console.WriteLine(result.GetProperty("period").ToString());
Console.WriteLine(result.GetProperty("expectedValues")[0].ToString());
Console.WriteLine(result.GetProperty("upperMargins")[0].ToString());
Console.WriteLine(result.GetProperty("lowerMargins")[0].ToString());
Console.WriteLine(result.GetProperty("isAnomaly")[0].ToString());
Console.WriteLine(result.GetProperty("isNegativeAnomaly")[0].ToString());
Console.WriteLine(result.GetProperty("isPositiveAnomaly")[0].ToString());

Cet exemple montre comment appeler DetectUnivariateEntireSeries avec tout le contenu de la demande et comment analyser le résultat.

var credential = new AzureKeyCredential("<key>");
var endpoint = new Uri("<https://my-service.azure.com>");
var client = new AnomalyDetectorClient(endpoint, credential);

var data = new {
    series = new[] {
        new {
            timestamp = "2022-05-10T14:57:31.2311892-04:00",
            value = 123.45f,
        }
    },
    granularity = "yearly",
    customInterval = 1234,
    period = 1234,
    maxAnomalyRatio = 123.45f,
    sensitivity = 1234,
    imputeMode = "auto",
    imputeFixedValue = 123.45f,
};

Response response = client.DetectUnivariateEntireSeries(RequestContent.Create(data), new RequestContext());

JsonElement result = JsonDocument.Parse(response.ContentStream).RootElement;
Console.WriteLine(result.GetProperty("period").ToString());
Console.WriteLine(result.GetProperty("expectedValues")[0].ToString());
Console.WriteLine(result.GetProperty("upperMargins")[0].ToString());
Console.WriteLine(result.GetProperty("lowerMargins")[0].ToString());
Console.WriteLine(result.GetProperty("isAnomaly")[0].ToString());
Console.WriteLine(result.GetProperty("isNegativeAnomaly")[0].ToString());
Console.WriteLine(result.GetProperty("isPositiveAnomaly")[0].ToString());
Console.WriteLine(result.GetProperty("severity")[0].ToString());

Remarques

Cette opération génère un modèle avec une série entière, chaque point est détecté avec le même modèle. Avec cette méthode, les points avant et après un certain point sont utilisés pour déterminer s’il s’agit d’une anomalie. L’ensemble de la détection peut donner à l’utilisateur une status globale de la série chronologique.

Vous trouverez ci-dessous le schéma JSON pour les charges utiles de requête et de réponse.

Corps de la demande :

Schéma pour UnivariateDetectionOptions:

{
  series: [
    {
      timestamp: string (date & time), # Optional.
      value: number, # Required.
    }
  ], # Required.
  granularity: "yearly" | "monthly" | "weekly" | "daily" | "hourly" | "minutely" | "secondly" | "microsecond" | "none", # Optional.
  customInterval: number, # Optional.
  period: number, # Optional.
  maxAnomalyRatio: number, # Optional.
  sensitivity: number, # Optional.
  imputeMode: "auto" | "previous" | "linear" | "fixed" | "zero" | "notFill", # Optional.
  imputeFixedValue: number, # Optional.
}

Corps de réponse :

Schéma pour UnivariateEntireDetectionResult:

{
  period: number, # Required.
  expectedValues: [number], # Required.
  upperMargins: [number], # Required.
  lowerMargins: [number], # Required.
  isAnomaly: [boolean], # Required.
  isNegativeAnomaly: [boolean], # Required.
  isPositiveAnomaly: [boolean], # Required.
  severity: [number], # Optional.
}