跨不同时间序列的异常检测技术？

Question

大多数异常检测技术/包侧重于单个时间序列内的异常检测；也就是说，如果数据突然超过或低于某个阈值，则取某种稳态平均值并发出警报。然而，我的问题完全不同

我有一个重复执行相同操作的硬件设备。大多数时候它成功了，但有时它失败了。我有测量位置和角度（6DOF）的传感器，我有每次尝试的大量数据集，无论是成功还是失败，以及从事件发生前几秒钟到事件发生后几秒钟的传感器数据（以及一阶和二阶导数）。 我要寻找的是一种技术或python包，它可以分析所有这些时间序列数据，并在给定成功或失败标签的情况下，确定是否存在通常导致失败的异常

我已经做了很多谷歌搜索和堆栈溢出的工作，但还是不断地提出“典型的”异常检测包。也许我在这里使用了错误的关键字或语言来描述我在寻找什么？任何正确方向的建议或指点都将不胜感激

Answer 1

如果我理解正确，听起来您需要一个机器学习解决方案：

• 你有很多时间序列数据
• 每一组都标记为成功或失败
• 您希望识别导致故障的时间序列的属性/模式

由于您独特的数据集，不会有现成的技术/软件包，因此需要更定制的解决方案