写一个Python程序，实现对时序数据异常的分类，先挖掘认可度高的基础异常波形，再以点到面逐步地解决异常种类判断问题

可以使用高斯混合模型(Gaussian Mixture Model, GMM)来实现对时序数据的异常检测。首先，对于给定的时序数据进行训练，挖掘出认为是正常数据的基础异常波形。然后，对新的待检测数据进行预测，如果预测得到的概率值低于一定阈值，就将其判定为异常数据。

下面是一个实现该程序的Python代码示例：

from sklearn.mixture import GaussianMixture
import numpy as np

# 准备训练数据
data = np.random.rand(100, 1)

# 实例化GMM模型
gmm = GaussianMixture(n_components=1)

# 训练模型
gmm.fit(data)

# 新数据进行预测
new_data = np.random.rand(10, 1)
probs = gmm.predict_proba(new_data)

# 确定异常阈值
threshold = 0.1

# 判断异常
for i, prob in enumerate(probs):
    if prob < threshold:
        print("Data point %d is abnormal" % i)
    else:
        print("Data point %d is normal" % i)

这只是一个简单的示例，在实际应用中，你可能需要根据数据的特点进行适当的调整。比如调整异常阈值，增加或减少高斯分量的数量等。

值得注意的是，GMM 是在单变量和多变量数据中经常使用的方法。如果在你的数据有多个特征, 你可以使用对应的多变量