Catégories

← View All Tools

Detecteur d anomalies de series temporelles

Importe des donnees de series temporelles en CSV ou JSON, detecte les anomalies avec Z-Score et IQR et renvoie un rapport graphique

Exemples de résultats

2 Exemples

Signaler un pic suspect dans le revenu journalier

Charge une serie simple et met en evidence une anomalie avec graphique et resume

Time series report with one highlighted anomaly and a rendered chart.
Voir paramètres d'entrée
{ "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 }

Examiner la derive de latence avec contexte saisonnier

Analyse des donnees de monitoring avec Z-Score et fenetre saisonniere

Time series report with anomaly markers, trend slope, and contiguous anomaly segments.
Voir paramètres d'entrée
{ "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 }

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

Points clés

Catégorie
Data Analysis
Types d’entrée
textarea, file, text, select, number
Type de sortie
html
Couverture des échantillons
4
API disponible
Yes

Vue d’ensemble

Le Détecteur d'anomalies de séries temporelles est un outil d'analyse conçu pour identifier rapidement les valeurs atypiques dans vos données chronologiques. En important simplement un fichier CSV, JSON ou Excel, vous pouvez appliquer des méthodes statistiques reconnues telles que le Z-Score et l'IQR pour repérer les pics ou les chutes inhabituels. L'outil génère instantanément un rapport visuel interactif au format HTML, facilitant la surveillance des performances, la détection de pannes ou l'analyse des tendances financières sans nécessiter de compétences avancées en programmation.

Quand l’utiliser

  • •Surveiller les métriques d'infrastructure informatique (comme la latence ou l'utilisation du processeur) pour détecter les pannes potentielles.
  • •Analyser les données de ventes ou de revenus quotidiens pour repérer les pics d'activité ou les baisses inattendues.
  • •Nettoyer les jeux de données bruts avant d'entraîner des modèles de machine learning en identifiant et en excluant les valeurs aberrantes.

Comment ça marche

  • •Collez vos données temporelles au format CSV ou JSON dans le champ texte, ou téléchargez directement votre fichier (CSV, JSON, Excel).
  • •Spécifiez les noms des colonnes correspondant aux horodatages et aux valeurs à analyser (par défaut 'timestamp' et 'value').
  • •Choisissez la méthode de détection (Z-Score, IQR ou les deux) et ajustez le seuil de sensibilité ou la fenêtre de saisonnalité si nécessaire.
  • •Obtenez un rapport HTML instantané avec un graphique interactif mettant en évidence les anomalies détectées dans votre série temporelle.

Cas d’usage

Détection de fraudes ou de transactions suspectes dans les flux financiers.
Monitoring de la qualité de l'air ou des capteurs IoT pour identifier les dysfonctionnements matériels.
Suivi du trafic web pour alerter sur des pics de visites soudains ou des chutes de trafic liées à des erreurs serveur.

Exemples

1. Signaler un pic suspect dans le revenu journalier

Analyste financier
Contexte
L'analyste suit les revenus quotidiens d'une boutique en ligne et doit identifier rapidement les jours avec des ventes anormalement élevées ou basses.
Problème
Trouver les valeurs aberrantes dans un jeu de données de revenus sans utiliser de logiciels statistiques complexes.
Comment l’utiliser
Coller les données CSV dans l'entrée brute, définir la méthode sur 'Z-Score + IQR' et régler le seuil Z-Score sur 2.5.
Configuration d’exemple
Méthode: both, Seuil Z-Score: 2.5, Fenêtre saisonnière: 0
Résultat
Le rapport HTML affiche un graphique où le revenu de 315 (le 4 mars) est clairement marqué comme une anomalie par rapport à la moyenne habituelle d'environ 110.

2. Examiner la dérive de latence avec contexte saisonnier

Ingénieur DevOps
Contexte
L'ingénieur surveille les temps de réponse d'une API. La latence fluctue naturellement, mais des pics soudains indiquent un problème de serveur.
Problème
Détecter les pics de latence anormaux tout en tenant compte des variations cycliques de la charge du serveur.
Comment l’utiliser
Importer les logs de latence, sélectionner la méthode 'Z-Score', abaisser le seuil à 2 et définir une fenêtre saisonnière de 3.
Configuration d’exemple
Méthode: zscore, Seuil Z-Score: 2, Fenêtre saisonnière: 3
Résultat
Le graphique généré met en évidence le pic de latence à 165ms à 03:00, en ignorant les petites fluctuations normales des heures précédentes.

Tester avec des échantillons

json, csv, xml
Exemples CSV
Fichiers CSV d'exemple avec divers types de données, tailles et niveaux de complexité
preferred input family json,csv
json, csv
Exemples Python
Exemples de code Python et démonstrations Hello World
preferred input family json,csv
json, csv
Echantillons XLSX
Echantillons XLSX pour tests d analyse de feuilles et extraction de donnees
preferred input family xls,xlsx
xls, xlsx
Exemples de Communication Temps Réel WebRTC
Exemples complets WebRTC pour communication audio/vidéo P2P, canaux de données, partage d'écran et serveur de signalisation
title token time
json

Hubs associés

Outils Json
Découvrez 44 outils json pour des workflows de utility et comparez rapidement des utilitaires proches.
Outils Json pour Convert
Découvrez 100 outils json pour des workflows de convert et comparez rapidement des utilitaires proches.
Outils Text pour Convert
Découvrez 80 outils text pour des workflows de convert et comparez rapidement des utilitaires proches.
Outils Csv pour Convert
Découvrez 37 outils csv pour des workflows de convert et comparez rapidement des utilitaires proches.

FAQ

Quels formats de fichiers sont pris en charge ?

L'outil accepte les données brutes collées sous forme de texte, ainsi que les fichiers téléchargés aux formats CSV, JSON et Excel (XLS, XLSX).

Quelle est la différence entre les méthodes Z-Score et IQR ?

Le Z-Score mesure l'écart d'une valeur par rapport à la moyenne en utilisant l'écart-type, ce qui est idéal pour les données normalement distribuées. L'IQR (écart interquartile) se base sur les quartiles et est plus robuste face aux valeurs extrêmes.

Comment ajuster la sensibilité de la détection ?

Vous pouvez modifier le seuil du Z-Score (défini par défaut à 3). Un seuil plus bas (ex: 2) détectera davantage d'anomalies, tandis qu'un seuil plus élevé (ex: 4) ne signalera que les écarts les plus extrêmes.

À quoi sert la fenêtre saisonnière ?

La fenêtre saisonnière permet de prendre en compte les cycles réguliers dans vos données (par exemple, une tendance horaire ou journalière) afin d'éviter de signaler des variations normales comme des anomalies.

Quel type de résultat l'outil génère-t-il ?

L'outil génère un rapport au format HTML contenant un graphique visuel de votre série temporelle, avec des marqueurs clairs pour chaque anomalie détectée et un résumé des tendances.

Documentation de l'API

Point de terminaison de la requête

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

Paramètres de la requête

Nom du paramètre Type Requis Description
rawInput textarea Non -
dataFile file (Téléchargement requis) Non -
timestampColumn text Non -
valueColumn text Non -
detectionMethod select Non -
zScoreThreshold number Non -
seasonalityWindow number Non -

Les paramètres de type fichier doivent être téléchargés d'abord via POST /upload/time-series-anomaly-detector pour obtenir filePath, puis filePath doit être passé au champ de fichier correspondant.

Format de réponse

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

Documentation de MCP

Ajoutez cet outil à votre configuration de serveur MCP: 

{
  "mcpServers": {
    "elysiatools-time-series-anomaly-detector": {
      "name": "time-series-anomaly-detector",
      "description": "Importe des donnees de series temporelles en CSV ou JSON, detecte les anomalies avec Z-Score et IQR et renvoie un rapport graphique",
      "baseUrl": "https://elysiatools.com/mcp/sse?toolId=time-series-anomaly-detector",
      "command": "",
      "args": [],
      "env": {},
      "isActive": true,
      "type": "sse"
    }
  }
}

Vous pouvez chaîner plusieurs outils, par ex.: `https://elysiatools.com/mcp/sse?toolId=png-to-webp,jpg-to-webp,gif-to-webp`, max 20 outils.

Prend en charge les liens de fichiers URL ou la codification Base64 pour les paramètres de fichier.

Si vous rencontrez des problèmes, veuillez nous contacter à [email protected]