搞了个华为的KPI异常检测竞赛，当然搞的时候就没觉得自己会拿奖（我指安慰奖），但没想到有这么悬殊。一方面是没搞过时间序列的东西，好多东西要重新开始学；另一方面是，谁知道我一搞竞赛，一向放羊的导师开始疯狂cue我，怕不是开了个天眼。
首先从数据本身开始吧
KPI就是运维用来判断Web服务是否稳定的时间序列。
KPI有周期性的也有非周期性的，非周期的貌似还分稳定的和不稳定的。
但这次竞赛我只分了周期和非周期两种，周期（好像）一般是7，因为人的工作+休息的周期也是一周七天嘛。
数据预处理
因为周期数据要做回归，所以需要先将数据进行填充和去除异常点的预处理。
填充这一步用的就是python自带的：interpolate()
去除异常点这里用的Lowess（局部加权回归）做了个类似smooth的措施。
制造特征
给的数据中基本上能用的只有kpi的value这个值而已，所以要自己造特征。一开始是我自己算的一堆统计学特征，后来听说有TsFresh这么个好东西，就拿来用了。
from tsfresh.feature_extraction import MinimalFCParameters, EfficientFCParameters
from tsfresh import extract_features
不过有个问题是，我不能debug到TsFresh的数据样子，每次就很自然地，像run一样地跑完了。。。ORZ
也不知道是我的操作问题还是平台问题。
模型训练
好的，终于到这里了。我一想到一开始都是我一个个编写，却在最后一天一个简单粗暴的vote就很委屈 =皿=
周期的kpi序列用的是：XGB
非周期的kpi从一开是高斯混合
from sklearn.mixture import GaussianMixture
到逻辑回归
（话说一开始没找到这个函数，还是我自己对着公式编的）
from sklearn.linear_model import LogisticRegression
SVM和随机森林也搞一搞
from sklearn import preprocessing, svm
from sklearn.ensemble import RandomForestClassifier
到投票把这些都搞进去。
from sklearn.ensemble import VotingClassifier,
异常点检验
这没什么好说的，用的3-sigma，就是用标准差弄个范围，超出范围的全是异常值。
结论
结论是那个准确率依旧很惨 ORZ
我觉得问题可能在这几个方面吧：
1，看了一下别的大佬做的，说是一开始除了我的数据预处理外，还要自己重新标注异常点，因为给的label未必是准的，然而我木有做。
2，制作特征方面可能还是太糙了，本来应该制作的特征有这~么多↓
反正作为第一次参加竞赛、一边应付导师的我尽力了（去找下一个竞赛啦~）
参考：KPI异常检测竞赛笔记