求Python中用于异常检测的Shapelet发现与转换算法实现

一、成熟Python库 #

• pyts：专注时间序列处理的库，内置ShapeletTransform类，能自动完成shapelet发现与特征转换，无缝对接孤立森林、One-Class SVM这类异常检测模型。简单示例：

from pyts.transformation import ShapeletTransform
from sklearn.ensemble import IsolationForest

# X为时间序列数据，格式[n_samples, n_timestamps]
st = ShapeletTransform(n_shapelets=10, random_state=42)
X_transformed = st.fit_transform(X)

# 用转换后的特征执行异常检测
clf = IsolationForest(random_state=42)
anomaly_predictions = clf.fit_predict(X_transformed)

• tslearn：时间序列机器学习工具库，提供ShapeletTransformer，支持自定义shapelet长度范围、数量等参数，适配不同时间序列的异常检测需求。

二、开源代码实现 #

GitHub上有不少针对异常检测场景优化的shapelet发现代码，比如基于原始Shapelet算法的Python重实现，可直接处理单变量/多变量时间序列，核心逻辑是从数据中挖掘能区分正常与异常模式的shapelet，适合定制化需求。

三、适配你提供的时间序列数据的建议 #

从你给出的数据样例（单变量周期时间序列，含异常波动）来看，可先通过shapelet转换提取序列的关键局部特征，再用无监督异常检测模型识别偏离正常特征分布的样本。如果是异常样本占比极低的不平衡场景，还可以在shapelet发现阶段加入加权逻辑，优先挖掘和异常样本关联度高的shapelet。

内容的提问来源于stack exchange，提问作者Aditya Bhandwalkar