Категории

← View All Tools

Детектор аномалий временных рядов

Загружает временной ряд в CSV или JSON, находит аномалии по Z-Score и IQR и возвращает отчет с графиком

Примеры результатов

2 Примеры

Отметить подозрительный всплеск дневной выручки

Загружает простой временной ряд и выделяет аномальный день на графике

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

Показать параметры ввода

{ "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 }

Проверить дрейф задержки сервера с сезонным контекстом

Анализирует мониторинговые данные с Z-Score и сезонным окном

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

Показать параметры ввода

{ "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 или JSON ввод

Файл данных

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

Колонка времени

Колонка значения

Метод детекции

Порог Z-Score

Сезонное окно

Ключевые факты

Категория: Data Analysis
Типы входных данных: textarea, file, text, select, number
Тип результата: html
Покрытие примерами: 4
API доступен: Yes

Обзор

Этот инструмент позволяет быстро находить аномалии во временных рядах, загруженных в форматах CSV, JSON или Excel. Используя статистические методы Z-Score и IQR, он автоматически выявляет нетипичные всплески или падения в данных и генерирует наглядный HTML-отчет с графиком, что упрощает анализ бизнес-метрик, выручки или системных логов без необходимости писать код.

Когда использовать

•Когда нужно быстро проверить выгрузку данных на наличие выбросов без использования Python или R.
•Для мониторинга резких изменений в бизнес-метриках, таких как дневная выручка или посещаемость сайта.
•При анализе логов серверов и IoT-устройств для выявления скачков задержки или температуры.

Как это работает

•Вставьте данные временного ряда в текстовое поле или загрузите файл в формате CSV, JSON или Excel.
•Укажите названия колонок для времени и значений, а затем выберите метод детекции (Z-Score, IQR или оба).
•Настройте порог Z-Score и размер сезонного окна для более точного анализа с учетом специфики ваших данных.
•Получите готовый HTML-отчет с интерактивным графиком, на котором визуально подсвечены все найденные аномалии.

Сценарии использования

Выявление мошеннических транзакций или ошибок биллинга по резким скачкам суммы операций.

Анализ производительности IT-инфраструктуры через поиск аномалий в использовании CPU или времени отклика.

Контроль качества на производстве путем отслеживания отклонений в показаниях телеметрии и датчиков.

Примеры

1. Поиск подозрительного всплеска дневной выручки

Финансовый аналитик

Контекст: Аналитик проверяет ежедневные отчеты по продажам за месяц и ищет дни с нетипичными показателями.
Проблема: Нужно быстро найти дни с аномально высокой или низкой выручкой для дальнейшего расследования причин.
Как использовать: Вставьте CSV-данные с колонками timestamp и value, выберите метод Z-Score + IQR и установите порог Z-Score на 2.5.
Пример конфигурации: Метод: both, Порог Z-Score: 2.5, Сезонное окно: 0
Результат: Инструмент построит график и выделит красным маркером день, когда выручка составила 315 вместо обычных 110.

2. Проверка дрейфа задержки сервера

DevOps-инженер

Контекст: Инженер анализирует логи времени отклика сервера, где присутствуют естественные колебания нагрузки в зависимости от времени суток.
Проблема: Найти реальные сбои в скорости ответа, игнорируя обычные сезонные изменения трафика.
Как использовать: Загрузите лог в формате CSV, укажите метод Z-Score, установите порог 2.0 и задайте сезонное окно равным 3.
Пример конфигурации: Метод: zscore, Порог Z-Score: 2, Сезонное окно: 3
Результат: Генерируется HTML-отчет, показывающий тренд и выделяющий аномальные сегменты, где задержка резко подскочила до 165 мс.

Проверить на примерах

json, csv, xml

CSV Примеры

Примеры CSV-файлов с различными типами данных, размерами и уровнями сложности

preferred input family json,csv

json, csv

Примеры Python

Примеры кода Python и демонстрации Hello World

preferred input family json,csv

json, csv

XLSX образцы

XLSX-образцы для тестов парсинга листов и извлечения данных

preferred input family xls,xlsx

xls, xlsx

Примеры Коммуникации WebRTC в Реальном Времени

Комплексные примеры WebRTC для P2P аудио/видео коммуникации, каналов данных, обмена экраном и сервера сигнализации

title token time

json

Связанные хабы

Инструменты Json

Изучите 44 инструментов json для сценариев utility и быстро сравните близкие утилиты.

Инструменты Json для Convert

Изучите 100 инструментов json для сценариев convert и быстро сравните близкие утилиты.

Инструменты Text для Convert

Изучите 80 инструментов text для сценариев convert и быстро сравните близкие утилиты.

Инструменты Csv для Convert

Изучите 37 инструментов csv для сценариев convert и быстро сравните близкие утилиты.

FAQ

Какие форматы файлов поддерживаются?

Вы можете загрузить данные в виде простого текста, а также в форматах CSV, JSON и таблицах Excel (.xls, .xlsx).

В чем разница между методами Z-Score и IQR?

Z-Score ищет отклонения от среднего значения с учетом стандартного отклонения. IQR (межквартильный размах) опирается на медиану и лучше работает с данными, в которых изначально много экстремальных выбросов.

Что такое сезонное окно?

Это параметр, который позволяет учитывать цикличность данных (например, дневную или недельную) при поиске аномалий. Он помогает сгладить ожидаемые колебания и избежать ложных срабатываний.

Как изменить чувствительность поиска аномалий?

Вы можете уменьшить порог Z-Score (например, до 2.0), чтобы находить больше мелких отклонений, или увеличить его (до 3.0 и выше) для поиска только самых крупных и явных выбросов.

В каком виде предоставляются результаты?

Инструмент генерирует HTML-отчет, содержащий график временного ряда с отмеченными маркерами аномалий и линией тренда.

Документация API

Конечная точка запроса

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

Параметры запроса

Имя параметра	Тип	Обязательно	Описание
rawInput	textarea	Нет	-
dataFile	file (Требуется загрузка)	Нет	-
timestampColumn	text	Нет	-
valueColumn	text	Нет	-
detectionMethod	select	Нет	-
zScoreThreshold	number	Нет	-
seasonalityWindow	number	Нет	-

Параметры типа файл должны быть загружены сначала через POST /upload/time-series-anomaly-detector для получения filePath, затем filePath должен быть передан в соответствующее поле файла.

Формат ответа

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

HTML: HTML

Документация MCP

Добавьте этот инструмент к конфигурации сервера MCP:

{
  "mcpServers": {
    "elysiatools-time-series-anomaly-detector": {
      "name": "time-series-anomaly-detector",
      "description": "Загружает временной ряд в CSV или JSON, находит аномалии по Z-Score и IQR и возвращает отчет с графиком",
      "baseUrl": "https://elysiatools.com/mcp/sse?toolId=time-series-anomaly-detector",
      "command": "",
      "args": [],
      "env": {},
      "isActive": true,
      "type": "sse"
    }
  }
}

Вы можете объединять несколько инструментов, например: `https://elysiatools.com/mcp/sse?toolId=png-to-webp,jpg-to-webp,gif-to-webp`, максимум 20 инструментов.

Поддерживает ссылки на файлы URL или кодирование Base64 для параметров файла.

Если вы столкнулись с проблемами, пожалуйста, свяжитесь с нами по адресу [email protected]