ML.NET DetectSpikeBySsa预测异常，如何解决误报问题？

我正在使用ML.NET检测带对应日期的数值列表中的峰值。据我理解，预测输出包含以下内容：

0.0, (是否为峰值?)
5.23, (得分 = 实际值 - 预测值)
0.20028081299669430182, (P值)

大多数时候峰值检测效果良好，但很多情况下会得到错误的预测，仿佛输入数据完全不同。例如，当输入值为"2"时，得到如下预测结果：

1.0,
11.739639282226563, (这显然不合理，因为得分远大于输入值本身!)
0.00028081299669430182

相关代码如下：

MLContext machineLearningContext = new();
IDataView dataView = machineLearningContext.Data.LoadFromEnumerable(aggregationEvents);

string inputColumnName = nameof(EventsData.Value);
string outputColumnName = nameof(EventsPrediction.Prediction);

IDataView transformedData = machineLearningContext.Transforms
                    .DetectSpikeBySsa(outputColumnName, inputColumnName,
                                      confidence: aggregationDefinition.MinimumConfidenceForAnomalyDetection,
                                      trainingWindowSize: aggregationDefinition.TrainingWindowSizeForAnomalyDetection,
                                      seasonalityWindowSize: 30,
                                      pvalueHistoryLength: 30)
                    .Fit(dataView).Transform(dataView);

List<EventsPrediction> predictions = machineLearningContext.Data.CreateEnumerable<EventsPrediction>(transformedData, reuseRowObject: false).ToList();

对应的类定义：

public class EventsData
{
    [LoadColumn(0)]
    public DateTime FromTime { get; set; }

    [LoadColumn(1)]
    public float Value { get; set; }
}

public class EventsPrediction
{
    [VectorType(2)]
    public double[] Prediction { get; set; }
}

这些错误预测导致大量峰值误报，请问哪里操作出错了？

问题排查与解决建议 #

• VectorType定义错误：EventsPrediction的Prediction属性标注了[VectorType(2)]，但DetectSpikeBySsa的输出是长度为3的向量（对应是否异常、得分、P值三个结果），向量长度不匹配会引发解析错误，直接导致预测值混乱。将[VectorType(2)]修改为[VectorType(3)]即可。
• 时序数据未按时间排序：DetectSpikeBySsa是时序异常检测算法，要求输入数据必须严格按时间升序排列。如果aggregationEvents列表未按FromTime排序，算法会基于错误的时序窗口训练和预测，生成完全不符的结果。加载数据前务必执行排序：aggregationEvents = aggregationEvents.OrderBy(x => x.FromTime).ToList();
• 算法参数配置不合理：
  • seasonalityWindowSize设为30，需确认数据是否存在周期为30的规律。若数据无明显周期，该值过大将导致模型无法正确学习正常模式，建议根据数据实际周期调整，或尝试缩小该值。
  • trainingWindowSize若过小，模型无法积累足够正常样本；若过大，会引入过时模式。建议设置为数据总长度的1/3到1/2（确保覆盖至少几个完整周期）。
• 缺失数据预处理：若输入数据存在极端异常值，未做清洗就用于训练，会导致模型学习错误的基准线。可先对数据做清洗，比如移除超出3σ范围的孤立点，或用移动中位数填充异常值。

内容的提问来源于stack exchange，提问作者Reginiano