Kategorien

Zeitreihen-Anomalie-Detektor

Liest Zeitreihendaten aus CSV oder JSON ein, erkennt Anomalien per Z-Score und IQR und gibt einen Chart-gestuetzten Bericht aus

Beispielergebnisse

2 Beispiele

Verdaechtigen Tagesumsatz-Spike markieren

Laedt eine einfache Zeitreihe und hebt einen Ausreisser mit Chart und Segmentzusammenfassung hervor

Time series report with one highlighted anomaly and a rendered chart.

Eingabeparameter anzeigen

{ "rawInput": "timestamp,value\n2026-03-01,110\n2026-03-02,112\n2026-03-03,109\n2026-03-04,315\n2026-03-05,111", "timestampColumn": "timestamp", "valueColumn": "value", "detectionMethod": "both", "zScoreThreshold": 2.5, "seasonalityWindow": 0 }

Server-Latency-Drift mit saisonalem Kontext pruefen

Analysiert Monitoringdaten mit Z-Score und Saisonalitaetsfenster

Time series report with anomaly markers, trend slope, and contiguous anomaly segments.

Eingabeparameter anzeigen

{ "rawInput": "timestamp,value\n2026-03-01T00:00:00Z,122\n2026-03-01T01:00:00Z,121\n2026-03-01T02:00:00Z,119\n2026-03-01T03:00:00Z,165\n2026-03-01T04:00:00Z,120\n2026-03-01T05:00:00Z,118", "timestampColumn": "timestamp", "valueColumn": "value", "detectionMethod": "zscore", "zScoreThreshold": 2, "seasonalityWindow": 3 }

CSV- oder JSON-Eingabe

Datendatei

Click to upload file or drag and drop file here

Maximum file size: 25MB Supported formats: text/csv, application/json, application/vnd.ms-excel, application/vnd.openxmlformats-officedocument.spreadsheetml.sheet

Zeitspalte

Wertespalte

Erkennungsmethode

Z-Score-Schwelle

Saisonalitaetsfenster

Wichtige Fakten

Kategorie: Data Analysis
Eingabetypen: textarea, file, text, select, number
Ausgabetyp: html
Sample-Abdeckung: 4
API verfügbar: Yes

Überblick

Der Zeitreihen-Anomalie-Detektor analysiert Ihre Daten aus CSV- oder JSON-Dateien, um ungewöhnliche Muster und Ausreißer automatisch zu identifizieren. Durch die Kombination von Z-Score- und IQR-Methoden erstellt das Tool einen übersichtlichen HTML-Bericht mit interaktiven Diagrammen, der Ihnen hilft, Umsatzspitzen, Latenzprobleme oder andere signifikante Abweichungen in Ihren Zeitreihendaten schnell und präzise zu erkennen.

Wann verwenden

•Wenn Sie plötzliche Spitzen oder Einbrüche in täglichen Verkaufs- oder Umsatzdaten identifizieren müssen.
•Um Server-Metriken wie Latenzzeiten oder CPU-Auslastung auf ungewöhnliches Verhalten zu überwachen.
•Wenn Sie historische Zeitreihendaten bereinigen möchten, bevor Sie diese für Prognosemodelle verwenden.

So funktioniert es

•Fügen Sie Ihre Zeitreihendaten als CSV oder JSON in das Textfeld ein oder laden Sie eine entsprechende Datei hoch.
•Geben Sie die Namen der Zeit- und Wertespalten an und wählen Sie die gewünschte Erkennungsmethode (Z-Score, IQR oder beides).
•Passen Sie bei Bedarf den Z-Score-Schwellenwert und das Saisonalitätsfenster an Ihre spezifischen Daten an.
•Klicken Sie auf Ausführen, um einen detaillierten HTML-Bericht mit visualisierten Diagrammen und markierten Anomalien zu erhalten.

Anwendungsfälle

E-Commerce-Monitoring zur Erkennung von unerwarteten Umsatzspitzen oder Einbrüchen bei den Bestellzahlen.

IT-Infrastruktur-Überwachung zur Identifikation von Server-Latenz-Drifts oder ungewöhnlichem Traffic.

Qualitätskontrolle in der Produktion zur Überwachung von Sensordaten und frühzeitigen Erkennung von Maschinenfehlern.

Beispiele

1. Verdächtigen Tagesumsatz-Spike markieren

E-Commerce Analyst

Hintergrund: Ein Online-Shop verzeichnet gelegentlich unerklärliche Spitzen in den täglichen Verkaufszahlen, die in großen Datensätzen manuell schwer zu überprüfen sind.
Problem: Schnelles Auffinden von Tagen mit ungewöhnlich hohem oder niedrigem Umsatz zur weiteren Analyse.
Verwendung: Laden Sie die CSV-Datei mit den täglichen Umsätzen hoch, setzen Sie die Erkennungsmethode auf 'Z-Score + IQR' und den Schwellenwert auf 2.5.
Beispielkonfiguration: Erkennungsmethode: both, Z-Score-Schwelle: 2.5, Saisonalitätsfenster: 0
Ergebnis: Das Tool generiert ein Diagramm, das den Tag mit dem extremen Umsatz deutlich als Anomalie hervorhebt und in einer Segmentzusammenfassung auflistet.

2. Server-Latency-Drift mit saisonalem Kontext prüfen

DevOps Engineer

Hintergrund: Die Antwortzeiten eines Webservers schwanken im Tagesverlauf, aber es ist unklar, welche Spitzen echte Probleme darstellen und welche nur normale Lastspitzen sind.
Problem: Unterscheidung zwischen normalen Lastspitzen und echten Latenz-Anomalien unter Berücksichtigung des zeitlichen Kontexts.
Verwendung: Fügen Sie die Server-Logs ein, wählen Sie 'Z-Score' als Methode und stellen Sie das Saisonalitätsfenster auf 3 ein, um den Kontext zu berücksichtigen.
Beispielkonfiguration: Erkennungsmethode: zscore, Z-Score-Schwelle: 2, Saisonalitätsfenster: 3
Ergebnis: Ein HTML-Bericht zeigt die Latenz-Trends und markiert nur die echten Ausreißer, die nicht durch normale Schwankungen im Saisonalitätsfenster erklärt werden können.

Mit Samples testen

json, csv, xml

CSV Beispiele

CSV-Beispieldateien mit verschiedenen Datentypen, Größen und Komplexitätsstufen

preferred input family json,csv

json, csv

Python Beispiele

Python Code-Beispiele und Hello World Demonstrationen

preferred input family json,csv

json, csv

XLSX-Beispiele

XLSX-Beispiele fur Arbeitsblatt-Parsing und Datenextraktions-Tests

preferred input family xls,xlsx

xls, xlsx

WebRTC Echtzeitkommunikation Beispiele

Umfassende WebRTC-Beispiele für P2P Audio/Video-Kommunikation, Datenkanäle, Bildschirmfreigabe und Signalisierungsserver

title token time

json

FAQ

Welche Dateiformate werden unterstützt?

Sie können Daten als CSV, JSON oder Excel-Dateien (.xlsx, .xls) hochladen oder direkt als Text in das Eingabefeld einfügen.

Was ist der Unterschied zwischen Z-Score und IQR?

Der Z-Score misst die Abweichung vom Mittelwert und eignet sich gut für normalverteilte Daten. IQR (Interquartilsabstand) basiert auf Medianen und ist robuster gegenüber extremen Ausreißern.

Wie wähle ich den richtigen Z-Score-Schwellenwert?

Ein Wert von 3 ist der Standard und erfasst extreme Ausreißer. Senken Sie den Wert (z. B. auf 2 oder 2.5), um empfindlicher auf kleinere Abweichungen zu reagieren.

Wofür ist das Saisonalitätsfenster?

Es hilft, wiederkehrende Muster zu berücksichtigen, sodass normale saisonale Schwankungen nicht fälschlicherweise als Anomalien markiert werden.

Wie wird das Ergebnis ausgegeben?

Das Tool generiert einen HTML-Bericht, der ein Diagramm Ihrer Zeitreihe sowie eine Zusammenfassung der erkannten Anomalien und Segmente enthält.

API-Dokumentation

Request-Endpunkt

POST /de/api/tools/time-series-anomaly-detector

Request-Parameter

Parameter-Name	Typ	Erforderlich	Beschreibung
rawInput	textarea	Nein	-
dataFile	file (Upload erforderlich)	Nein	-
timestampColumn	text	Nein	-
valueColumn	text	Nein	-
detectionMethod	select	Nein	-
zScoreThreshold	number	Nein	-
seasonalityWindow	number	Nein	-

Dateitypparameter müssen erst über POST /upload/time-series-anomaly-detector hochgeladen werden, um filePath zu erhalten, dann filePath an das entsprechende Dateifeld übergeben.

Antwortformat

{
  "result": "Processed HTML content",
  "error": "Error message (optional)",
  "message": "Notification message (optional)",
  "metadata": {
    "key": "value"
  }
}

HTML: HTML

MCP-Dokumentation

Fügen Sie dieses Tool zu Ihrer MCP-Server-Konfiguration hinzu:

{
  "mcpServers": {
    "elysiatools-time-series-anomaly-detector": {
      "name": "time-series-anomaly-detector",
      "description": "Liest Zeitreihendaten aus CSV oder JSON ein, erkennt Anomalien per Z-Score und IQR und gibt einen Chart-gestuetzten Bericht aus",
      "baseUrl": "https://elysiatools.com/mcp/sse?toolId=time-series-anomaly-detector",
      "command": "",
      "args": [],
      "env": {},
      "isActive": true,
      "type": "sse"
    }
  }
}

Sie können mehrere Tools verketten, z.B.: `https://elysiatools.com/mcp/sse?toolId=png-to-webp,jpg-to-webp,gif-to-webp`, maximal 20 Tools.

Unterstützt URL-Dateilinks oder Base64-Codierung für Dateiparameter.

Wenn Sie auf Probleme stoßen, kontaktieren Sie uns bitte bei [email protected]