基于神经网络的时间序列异常检测的python代码

以下是一个基于 LSTM 神经网络的时间序列异常检测的 Python 代码示例：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from keras.models import Sequential
from keras.layers import LSTM, Dense, Dropout

# 加载数据
data = pd.read_csv('data.csv')

# 将数据分为训练集和测试集
train_size = int(len(data) * 0.8)
train_data = data.iloc[:train_size, :]
test_data = data.iloc[train_size:, :]

# 将数据转换为适合 LSTM 模型的格式
def create_dataset(dataset, look_back=1):
    X, Y = [], []
    for i in range(len(dataset) - look_back):
        X.append(dataset[i:(i + look_back), 0])
        Y.append(dataset[i + look_back, 0])
    return np.array(X), np.array(Y)

look_back = 10
X_train, Y_train = create_dataset(train_data.values, look_back)
X_test, Y_test = create_dataset(test_data.values, look_back)

# 构建 LSTM 模型
model = Sequential()
model.add(LSTM(units=64, input_shape=(1, look_back)))
model.add(Dropout(0.2))
model.add(Dense(units=1))
model.compile(optimizer='adam', loss='mean_squared_error')

# 训练模型
model.fit(np.reshape(X_train, (X_train.shape[0], 1, X_train.shape[1])), Y_train, epochs=100, batch_size=32)

# 在测试集上进行预测
predicted = model.predict(np.reshape(X_test, (X_test.shape[0], 1, X_test.shape[1])))

# 绘制预测结果和实际结果的对比图
plt.plot(Y_test, color='blue', label='Actual')
plt.plot(predicted, color='red', label='Predicted')
plt.legend()
plt.show()

# 计算测试集的均方误差（MSE）
mse = np.mean((predicted - Y_test) ** 2)
print('MSE:', mse)

# 根据 MSE 值判断是否存在异常
if mse > threshold:
    print('存在异常')
else:
    print('不存在异常')

这个代码示例中，我们首先加载数据，并将其分为训练集和测试集。然后，我们将数据转换为适合 LSTM 模型的格式，并构建 LSTM 模型。接下来，我们在训练集上训练模型，并在测试集上进行预测。最后，我们绘制预测结果和实际结果的对比图，并根据均方误差（MSE）判断是否存在异常。