Como: Usar a API univariada do Detetor de Anomalias em seus dados de séries cronológicas
Importante
A partir de 20 de setembro de 2023, você não poderá criar novos recursos do Detetor de Anomalias. O serviço de Detetor de Anomalias está a ser desativado no dia 1 de outubro de 2026.
A API do Detetor de Anomalias fornece dois métodos de deteção de anomalias. Você pode detetar anomalias como um lote em toda a sua série cronológica ou como seus dados são gerados, detetando o status de anomalia do ponto de dados mais recente. O modelo de deteção retorna resultados de anomalias juntamente com o valor esperado de cada ponto de dados e os limites superior e inferior de deteção de anomalias. Você pode usar esses valores para visualizar o intervalo de valores normais e anomalias nos dados.
Modos de deteção de anomalias
A API do Detetor de Anomalias fornece modos de deteção: lote e streaming.
Nota
Os URLs de solicitação a seguir devem ser combinados com o ponto de extremidade apropriado para sua assinatura. Por exemplo: https://<your-custom-subdomain>.api.cognitive.microsoft.com/anomalydetector/v1.0/timeseries/entire/detect
Deteção de lote
Para detetar 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 séries temporais de uma só vez, a API gerará um modelo usando toda a série e analisará cada ponto de dados com ele.
Deteção de streaming
Para detetar continuamente anomalias nos dados de streaming, use o seguinte URI de solicitação com seu ponto de dados mais recente:
/timeseries/last/detect.
Ao enviar novos pontos de dados à medida que os gera, pode monitorizar os seus dados em tempo real. Um modelo será gerado com os pontos de dados enviados e a API determinará se o ponto mais recente da série temporal é uma anomalia.
Ajustar os limites inferiores e superiores de deteção de anomalias
Por padrão, os limites superior e inferior para deteção de anomalias são calculados usando expectedValue, upperMargine lowerMargin. Se você precisar de limites diferentes, recomendamos aplicar um marginScale a upperMargin ou lowerMargin. Os limites seriam calculados da seguinte forma:
| Limite | Cálculo |
|---|---|
upperBoundary |
expectedValue + (100 - marginScale) * upperMargin |
lowerBoundary |
expectedValue - (100 - marginScale) * lowerMargin |
Os exemplos a seguir mostram um resultado da API do Detetor de Anomalias em diferentes sensibilidades.
Exemplo com sensibilidade em 99
Exemplo com sensibilidade em 95
Exemplo com sensibilidade em 85
