从你的描述来看，你在处理时间序列传感器的温度异常检测时遇到了瓶颈，手头有核心温度数据、准确性欠佳的标签数据，还有同区域的湿度传感器数据——这些其实都是很好的资源，下面给你几个适配你场景的落地思路：

既然你的IsBroken标签准确性不足，完全依赖监督学习肯定会踩坑，不如转向半监督或弱监督思路：

• 自编码器（Autoencoder）：先把标签标记为0的样本（哪怕混了少量误标）当作“正常数据”训练自编码器，模型会学习正常温度的时序模式。当遇到异常样本时，模型的重构误差会显著升高，以此作为异常判定依据。比如你提供的第三个样本温度降至1.00，和前两个正常样本的模式差异极大，重构误差会很容易被捕捉到。
• 带噪声标签的弱监督训练：把现有标签当作“带噪声的监督信号”，训练时给标签设置权重——比如对标记为1的样本降低置信度（比如权重设为0.5），减少错误标签对模型的误导。也可以用专门的抗噪声异常检测算法，比如针对标签噪声优化的LabelNoiseRobustAD框架。

同区域的湿度传感器数据是关键的辅助信息，因为同一环境下的传感器数据通常存在关联规律：

• 多特征融合建模：把温度和湿度的时序特征（比如滑动窗口内的均值、方差、相邻时刻的变化率）融合到一起，训练异常检测模型。比如正常场景下，温度和湿度的变化趋势应该符合该区域的气候规律（比如温度升高时湿度大概率下降），如果某时刻温度突变但湿度毫无波动，就有很大概率是传感器异常。
• 相关性阈值检测：先计算温度和湿度序列的全局互信息或皮尔逊相关系数，设定一个合理的阈值。然后用滑动窗口计算局部的相关性，当某时刻的局部相关性低于阈值时，标记为异常。比如你第三个样本温度骤降，若湿度仍保持正常范围，两者的局部相关性会骤降，直接触发异常警报。

如果不想一开始就搞复杂模型，可以先用简单的统计方法快速验证：

• 滑动窗口3σ原则：用滑动窗口（比如窗口大小设为2）计算温度的均值和标准差，当当前温度超出均值±3*标准差的范围时，判定为异常。比如你前两个温度的均值是20，标准差约1.41，第三个样本1.00远低于20-3*1.41≈15.77，直接标记为异常。
• 时序差分阈值法：计算相邻时间点的温度变化量，根据业务场景设定合理的变化阈值（比如室内温度每小时变化一般不超过5度）。前两个小时的变化量是+2和+1，都在正常范围，第三个小时从22降到1，变化量-21，远超阈值，直接判定异常。

额外实践建议 #

1. 先做数据清洗：确认第三个样本的01.00是输入错误还是真实值——如果是室内环境，温度突然降到1度大概率是传感器故障或数据录入错误，这类明显的物理异常可以先通过业务规则过滤。
2. 模型验证要结合业务：因为标签不准确，不要只看准确率指标，要把检测结果和业务场景结合（比如传感器异常通常表现为突变、恒定值、超出物理范围），用业务规则辅助验证模型效果。

内容的提问来源于stack exchange，提问作者Robert