写一个Python程序，判断时序数据的异常类型是冲高异常、趋势上涨异常还是频率变化异常

可以使用统计学方法进行时序数据异常检测。

对于冲高异常，可以使用离群值检测方法，例如3倍标准差法或者Z-score法。

对于趋势上涨异常，可以使用趋势检测方法，例如CUSUM算法或者ESD算法。

对于频率变化异常，可以使用频率变化检测方法，例如高斯混合模型。

以下是一个示例程序，它使用了离群值检测、趋势检测和频率变化检测的方法来判断时序数据的异常类型：

import numpy as np
from statsmodels.tsa.seasonal import seasonal_decompose
from sklearn.mixture import GaussianMixture

# 用于判断时序数据是否是冲高异常
def is_outlier(data, thres=3.5):
    mean = np.mean(data)
    std = np.std(data)
    z_scores = [(y - mean) / std for y in data]
    return len([y for y in z_scores if np.abs(y) > thres])

# 用于判断时序数据是否是趋势上涨异常
def is_trend_up(data):
    result = seasonal_decompose(data, model='multiplicative')
    trend = result.trend
    trend_up = [i for i in range(1, len(trend)) if trend[i] > trend[i - 1]]
    return len(trend_up)

# 用于判断时序数据是否是频率变化异常
def is_freq_change(data):
    gmm = GaussianMixture(n_components=2)
    gmm.fit(data.reshape(-1, 1))
    labels = gmm.predict(data.reshape(-1, 1))
    return len([i for i in labels if i == 1])

# 数据样例
data = np.random.randn(100