在用統計學方法（3σ原則、四分位距法）等對異常數據進行監測後 異常監測①——統計學方法判斷 ，由於業務特點，導致時序數據的規律趨勢會變化。下方爲舉例：
| 時間點 | 原來的count | 現在的count |
| 2020-01-01 13:00:00 | 267 | 1000 |
| 2020-01-01 13:10:00 | 300 | 0 |
| 2020-01-01 13:20:00 | 261 | 0 |
| 2020-01-01 13:30:00 | 289 | 1023 |
| 2020-01-01 13:40:00 | 235 | 0 |
| 2020-01-01 13:50:00 | 273 | 0 |
| 2020-01-01 14:00:00 | 309 | 1014 |
此時原統計學方法可能不再適用，可以重新觀察新的數據分佈規律，手動修改代碼邏輯。
但考慮到後續規律仍可能發生變動，爲避免後續需要繼續改異常監測邏輯，選擇使用一個深度學習模型——lstm 對時序數據的分佈進行預測。並且增添 模型更新 邏輯，使得模型不需要再人工更改。
參考以下資料：乾貨 | 攜程實時智能異常檢測平臺的算法及工程實現 （視頻鏈接）
確定邏輯：
1、原始數據存儲
mongodb
2、數據預處理
（去除節假日數據，異常點替換、缺失值填充）
3、模型設計及訓練
LSTM 訓練集：近十天數據（不含近三天）；預測集：近三天
多輪超參優化，確定最優超參，及預測範圍（用歷史多長數據預測未來多長）
保存模型
4、異常判斷
①https://www.slideshare.net/ssuserbefd12/ss-164777085 異常邊界取90%分位數，持續幾次異常產生告警（郵件、微信）
②論文 3σ原則
5、模型更新
數據監控：通過均值、標準差、中位數、IQR等統計指標以天爲粒度監控數據漂移，數據漂移超過閾值
模型監控：每天自動統計模型輸出的全部異常點佔比的概率，概率分佈變化超出閾值後模型自動提取最新數據重新訓練
準備訓練集、測試集數據：訓練集清洗、歸一化（訓練集和測試集一起歸一化，該一起歸一化還是分開歸一化參考：機器學習中，對於數據的預處理是否是測試集和訓練集一起進行？、 淺談歸一化對於LSTM進行時間序列預測的影響）