PHP dan Pembelajaran Mesin: Cara melakukan pengesanan anomali pada data siri masa

PHP dan Pembelajaran Mesin: Cara melakukan pengesanan anomali pada data siri masa

Pengenalan:
Dalam era dipacu data hari ini, semakin banyak organisasi dan perusahaan perlu memproses dan menganalisis data siri masa. Data siri masa ialah data yang disusun mengikut urutan masa, yang mengandungi serangkaian pengamatan atau pengukuran. Pengesanan anomali data siri masa ialah tugas penting, yang boleh membantu organisasi dan perusahaan menemui gelagat abnormal dalam data dan mengambil langkah tepat pada masanya. Artikel ini akan memperkenalkan cara menggunakan PHP dan teknologi pembelajaran mesin untuk pengesanan anomali data siri masa.

1. Sediakan data
Sebelum memulakan pengesanan anomali, kami perlu menyediakan data siri masa dahulu. Katakan kita mempunyai set data yang merekodkan jualan harian, kita boleh menggunakan jualan sebagai data siri masa untuk pengesanan anomali. Berikut ialah contoh set data:

$dateSales = [
    ['2019-01-01', 100],
    ['2019-01-02', 120],
    ['2019-01-03', 80],
    ['2019-01-04', 90],
    ['2019-01-05', 110],
    // 其他日期的销售量数据...
];

2. Prapemprosesan data
Sebelum memulakan pengesanan anomali, kita perlu praproses data. Mula-mula, kami menukar tarikh kepada cap masa untuk pemprosesan menggunakan algoritma pembelajaran mesin. Seterusnya, kami menormalkan data jualan dan menskalakannya kepada julat yang lebih kecil untuk mengelakkan kesan perbezaan antara nilai ciri pada pengesanan anomali. Berikut ialah contoh kod untuk prapemprosesan data:

// 将日期转换为时间戳
foreach ($dateSales as &$data) {
    $data[0] = strtotime($data[0]);
}

// 对销售量数据进行归一化处理
$sales = array_column($dateSales, 1);
$scaledSales = [];

$minSales = min($sales);
$maxSales = max($sales);

foreach ($sales as $sale) {
    $scaledSales[] = ($sale - $minSales) / ($maxSales - $minSales);
}

3. Pemilihan algoritma pengesanan anomali
Sebelum melakukan pengesanan anomali pada data siri masa, kita perlu memilih algoritma pembelajaran mesin yang sesuai. Algoritma pengesanan anomali siri masa yang biasa digunakan termasuk kaedah berasaskan statistik, kaedah berasaskan kluster dan kaedah berasaskan pembelajaran mendalam. Dalam artikel ini, kami akan menggunakan algoritma ARIMA (Autoregressive Moving Average Model) untuk pengesanan anomali.

4 Gunakan algoritma ARIMA untuk pengesanan anomali
Algoritma ARIMA ialah algoritma yang digunakan secara meluas dalam analisis data siri masa. Dalam PHP, kita boleh menggunakan fungsi arima dalam perpustakaan statistik untuk melaksanakan algoritma ARIMA. Berikut ialah contoh kod untuk pengesanan anomali menggunakan algoritma ARIMA:

$data = new StatsTimeSeries($scaledSales);

// Fit the model
$arima = StatsARIMA::fit($data);

// Predict the next data point
$prediction = $arima->predict();

// Calculate the residual error
$residual = $data->last() - $prediction;

// Set a threshold for anomaly detection
$errorThreshold = 0.05;

if (abs($residual) > $errorThreshold) {
    echo "Anomaly detected!";
} else {
    echo "No anomaly detected.";
}

Dalam contoh kod di atas, kami mula-mula menggunakan kelas TimeSeries dan kelas ARIMA daripada perpustakaan statistik untuk memulakan dan menyesuaikan model. Kami kemudiannya meramalkan titik data seterusnya dan mengira ralat baki. Akhir sekali, kami menetapkan ambang untuk pengesanan anomali Jika ralat sisa melebihi ambang, ini bermakna terdapat anomali.

Kesimpulan:
Artikel ini memperkenalkan cara menggunakan PHP dan teknologi pembelajaran mesin untuk pengesanan anomali data siri masa. Kami mula-mula menyediakan data siri masa dan kemudian memproses data tersebut. Seterusnya, kami memilih algoritma ARIMA dan melaksanakan pengesanan anomali menggunakan fungsi arima dalam perpustakaan statistik. Dengan mengambang ralat ramalan, kita boleh menentukan sama ada terdapat anomali. Saya harap artikel ini dapat membantu pembaca memahami dan menggunakan kaedah pengesanan anomali untuk data siri masa.

Contoh kod datang daripada statistik perpustakaan analisis data siri masa PHP Sila pasang sendiri pustaka untuk melengkapkan pelaksanaan kod.

Atas ialah kandungan terperinci PHP dan Pembelajaran Mesin: Cara melakukan pengesanan anomali pada data siri masa. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!