Elysia Tools
导航
Data Analysis
上传 CSV 或 JSON 时间序列数据，基于 Z-Score 和 IQR 检测异常点，并输出带图表的报告
执行
填写表单、运行工具，并在同一页面查看结果。
案例
相关内容
等待运行
工具使用指南
时间序列异常检测器是一款专业的数据分析工具，支持上传 CSV、JSON 或 Excel 格式的时间序列数据。通过配置 Z-Score 和 IQR 算法，结合自定义的阈值与季节性窗口，该工具能够精准识别数据中的异常波动和尖峰，并自动生成包含可视化图表和异常区段摘要的 HTML 报告，帮助您快速定位业务或系统中的异常情况。
背景
公司需要审查近期的每日营收数据，找出可能存在数据记录错误或突发性爆单的日期。
问题
手动排查大量时间序列数据耗时且容易遗漏，需要自动化的异常标记工具。
如何使用
粘贴包含日期和收入的 CSV 数据，将检测方法设置为 Z-Score + IQR，并将 Z-Score 阈值设为 2.5。
时间列: timestamp, 数值列: value, 检测方法: both, Z-Score 阈值: 2.5结果
生成可视化图表，清晰标出收入异常飙升的数据点，并输出异常区段摘要供进一步分析。
背景
服务器在特定时间段会出现周期性的负载增加，导致延迟波动，但有时也会发生真实的性能故障。
问题
传统的固定阈值报警会产生大量误报，需要结合周期性趋势来区分正常波动和真实异常。
如何使用
上传服务器每小时延迟的监控数据，选择 Z-Score 检测方法，设置阈值为 2，并配置季节窗口为 3。
检测方法: zscore, Z-Score 阈值: 2, 季节窗口: 3结果
工具结合季节性上下文进行分析，成功过滤掉正常的周期性波动，准确标记出真实的延迟突增异常。
支持直接粘贴 CSV 或 JSON 文本，也可上传 CSV、JSON 以及 Excel (XLSX/XLS) 格式的文件。
Z-Score 适用于正态分布数据，通过计算数据点偏离均值的标准差倍数来寻找异常；IQR 基于四分位数，对极端值（离群点）更具鲁棒性，适合非正态分布数据。
它可以帮助模型在检测异常时参考周期性波动（如每日或每周的固定趋势），从而区分正常的季节性起伏与真正的异常突变。
您可以通过修改 Z-Score 阈值来调整。阈值越小（如 2），检测越严格，标记的异常越多；阈值越大（如 3 或更高），只标记极端的异常点。
报告为 HTML 格式，包含时间序列的可视化图表、标记出的异常数据点、趋势斜率以及连续异常区段的摘要信息。