Como usar a API univariável do Detector de Anomalias nos dados de série temporal
Importante
A partir de 20 de setembro de 2023, não será possível criar novos recursos do Detector de Anomalias. O serviço Detector de Anomalias está sendo desativado em 1º de outubro de 2026.
A API do Detector de Anomalias fornece dois métodos de detecção de anomalias. Você pode detectar anomalias como um lote em toda a série temporal ou conforme seus dados são gerados, detectando o status da anomalia do último ponto de dados. O modelo de detecção retorna resultados de anomalias junto com o valor esperado de cada ponto de dados e os limites de detecção de anomalias superior e inferior. Você pode usar esses valores para visualizar o intervalo de valores normais e anomalias nos dados.
Modos de detecção de anomalias
A API do Detector de Anomalias fornece dois modos de detecção: lote e streaming.
Observação
As URLs de solicitação a seguir devem ser combinadas com o ponto de extremidade apropriado da sua assinatura. Por exemplo: https://<your-custom-subdomain>.api.cognitive.microsoft.com/anomalydetector/v1.0/timeseries/entire/detect
Detecção em lote
Para detectar anomalias em um lote de pontos de dados em um determinado intervalo de tempo, use o seguinte URI de solicitação com seus dados de série temporal:
/timeseries/entire/detect.
Ao enviar seus dados de série temporal de uma só vez, a API vai gerar um modelo usando a série inteira e analisará cada ponto de dados com ele.
Detecção de streaming
Para detectar continuamente anomalias em dados de streaming, use o seguinte URI de solicitação com o último ponto de dados:
/timeseries/last/detect.
Ao enviar novos pontos de dados, conforme você os gera, você pode monitorar os dados em tempo real. Um modelo será gerado com os pontos de dados que você enviar e a API determinará se o ponto mais recente na série temporal é uma anomalia.
Ajustando limites inferiores e superiores de detecção de anomalias
Por padrão, os limites superior e inferior para detecção de anomalias são calculados usando expectedValue, upperMargin e lowerMargin. Se você precisa de limites diferentes, é recomendável aplicar um marginScale a upperMargin ou lowerMargin. Os limites seriam calculados da seguinte maneira:
| Limite | Cálculo |
|---|---|
upperBoundary |
expectedValue + (100 - marginScale) * upperMargin |
lowerBoundary |
expectedValue - (100 - marginScale) * lowerMargin |
Os exemplos a seguir mostram um resultado da API do Detector de Anomalias em diferentes sensibilidades.
Exemplo com sensibilidade em 99
Exemplo com sensibilidade em 95
Exemplo com sensibilidade em 85
