Gör så här: Använd avvikelseidentifieringens univariate-API på dina tidsseriedata
Viktigt!
Från och med den 20 september 2023 kommer du inte att kunna skapa nya avvikelseidentifieringsresurser. Tjänsten Avvikelseidentifiering dras tillbaka den 1 oktober 2026.
API:et för avvikelseidentifiering innehåller två metoder för avvikelseidentifiering. Du kan antingen identifiera avvikelser som en batch i hela tidsserien eller när dina data genereras genom att identifiera avvikelsestatusen för den senaste datapunkten. Identifieringsmodellen returnerar avvikelseresultat tillsammans med varje datapunkts förväntade värde och de övre och nedre gränserna för avvikelseidentifiering. du kan använda dessa värden för att visualisera intervallet med normalvärden och avvikelser i data.
Lägen för avvikelseidentifiering
API:et för avvikelseidentifiering tillhandahåller identifieringslägen: batch och strömning.
Kommentar
Följande URL:er för begäran måste kombineras med lämplig slutpunkt för din prenumeration. Till exempel: https://<your-custom-subdomain>.api.cognitive.microsoft.com/anomalydetector/v1.0/timeseries/entire/detect
Batchidentifiering
Om du vill identifiera avvikelser i en batch med datapunkter över ett visst tidsintervall använder du följande URI för begäran med dina tidsseriedata:
/timeseries/entire/detect.
Genom att skicka tidsseriedata samtidigt genererar API:et en modell med hela serien och analyserar varje datapunkt med den.
Identifiering av direktuppspelning
Om du kontinuerligt vill identifiera avvikelser i strömmande data använder du följande URI för begäran med din senaste datapunkt:
/timeseries/last/detect.
Genom att skicka nya datapunkter när du genererar dem kan du övervaka dina data i realtid. En modell genereras med de datapunkter du skickar och API:et avgör om den senaste tidpunkten i tidsserien är en avvikelse.
Justera gränser för nedre och övre avvikelseidentifiering
Som standard beräknas de övre och nedre gränserna för avvikelseidentifiering med hjälp av expectedValue, upperMarginoch lowerMargin. Om du behöver olika gränser rekommenderar vi att du tillämpar en marginScale på upperMargin eller lowerMargin. Gränserna beräknas på följande sätt:
| Gräns | Beräkning |
|---|---|
upperBoundary |
expectedValue + (100 - marginScale) * upperMargin |
lowerBoundary |
expectedValue - (100 - marginScale) * lowerMargin |
I följande exempel visas ett API-resultat för avvikelseidentifiering vid olika känsligheter.
Exempel med känslighet vid 99
Exempel med känslighet vid 95
Exempel med känslighet vid 85
