rob-med/awesome-ts-anomaly-detectionListe von Tools & Datensätzen für die Anomalieerkennung in Zeitreihendaten.
Liste von Tools & Datensätzen für Anomalieerkennung in Zeitreihen-Daten.
Alle Listen sind in alphabetischer Reihenfolge. In den Listen werden gepflegte Projekte gegenüber nicht gepflegten priorisiert. Ein Repository gilt als „nicht gepflegt“, wenn der letzte Commit älter als 1 Jahr ist oder dies von den Autoren ausdrücklich erwähnt wird.
🎓 Wenn du diese Sammlung nützlich findest und sie zitieren möchtest, folge bitte der Zitierrichtlinie.
| Name | Sprache | Kurzbeschreibung | Lizenz | Gepflegt |
|---|---|---|---|---|
| Cuebook's CueObserve | Python3 | Anomalieerkennung auf SQL-Data-Warehouses und Datenbanken. | Apache-2.0 | ✔️ |
| Yahoo's EGADS | Java | GADS ist eine Bibliothek, die eine Reihe von Techniken zur Anomalieerkennung enthält, die in einem einzigen Paket auf viele Anwendungsfälle anwendbar sind, wobei Java die einzige Abhängigkeit ist. | GPL | ✔️ |
| AIStream's flow-forecast | Python | PyTorch-Deep-Learning-Bibliothek für Zeitreihenprognose, Klassifikation und Anomalieerkennung (ursprünglich für Hochwasservorhersage). | GPL-3 | ✔️ |
| Hastic | Python + node.js | Tool zur Anomalieerkennung für Zeitreihendaten mit Grafana-basierter Benutzeroberfläche. | GPL | ✔️ |
| Zillow's Luminaire | Python | Luminaire ist ein Python-Paket, das ML-gesteuerte Anomalieerkennungs- und Prognoselösungen für Zeitreihendaten bereitstellt. | Apache-2.0 | ✔️ |
| MIDAS | C++ | MIDAS (kurz für Microcluster-Based Detector of Anomalies in Edge Streams) erkennt Mikrocluster-Anomalien aus einem Edge-Stream in konstanter Zeit und mit konstantem Speicher. | Apache-2.0 | ✔️ |
| Orion | Python | Orion ist eine Machine-Learning-Bibliothek für unüberwachte Anomalieerkennung in Zeitreihen. Sie bietet eine Reihe „verifizierter“ ML-Pipelines (a.k.a. Orion-Pipelines), die seltene Muster identifizieren und zur Expertenprüfung markieren. | MIT | ✔️ |
| OutlierDetection.jl | Julia | Schnelle, skalierbare und flexible Ausreißererkennung mit Julia. | MIT | ✔️ |
| PyOD | Python | PyOD ist ein umfassendes und skalierbares Python-Toolkit zur Erkennung von Ausreißern in multivariaten Daten. | BSD 2-Clause | ✔️ |
| ruptures | Python | Ruptures ist eine Python-Bibliothek für Offline-Change-Point-Erkennung. Dieses Paket bietet Methoden zur Analyse und Segmentierung nichtstationärer Signale. | BSD 2-Clause | ✔️ |
| EarthGecko Skyline | Python3 | Skyline ist ein Echtzeit-Anomalieerkennungssystem, das passives Monitoring von Hunderttausenden von Metriken ermöglicht. | MIT | ✔️ |
| Expedia.com's Adaptive Alerting | Java | Streaming-Anomalieerkennung mit automatisierter Modellauswahl und -anpassung. | Apache-2.0 | ❌ |
| Arundo's ADTK | Python | Anomaly Detection Toolkit (ADTK) ist ein Python-Paket für unüberwachte / regelbasierte Anomalieerkennung in Zeitreihen. | MPL 2.0 | ❌ |
| Twitter's AnomalyDetection | R | AnomalyDetection ist ein Open-Source-R-Paket zur Erkennung von Anomalien, das aus statistischer Sicht robust gegenüber Saisonalität und einem zugrunde liegenden Trend ist. | GPL | ❌ |
| Lytics' Anomalyzer | Go | Anomalyzer implementiert eine Reihe statistischer Tests, die die Wahrscheinlichkeit liefern, dass eine gegebene Menge numerischer Eingaben, typischerweise eine Zeitreihe, anomalies Verhalten enthält. | Apache-2.0 | ❌ |
| banpei | Python | Ausreißererkennung (Hotellings Theorie) und Change-Point-Erkennung (Singular-Spektrum-Transformation) für Zeitreihen. | MIT | ❌ |
| Ele.me's banshee | Go | System zur Erkennung von Anomalien bei periodischen Metriken. | MIT | ❌ |
| CAD | Python | Kontextuelle Anomalieerkennung für Echtzeit-Anomalieerkennung auf Streaming-Daten (Siegeralgorithmus des NAB-Wettbewerbs 2016). | AGPL | ❌ |
| Chaos Genius | Python | ML-gestützte Analyse-Engine für Ausreißer-/Anomalieerkennung und Ursachenanalyse (Root Cause Analysis). | MIT | ❌ |
| Mentat's datastream.io | Python | Ein Open-Source-Framework für Echtzeit-Anomalieerkennung mit Python, Elasticsearch und Kibana. | Apache-2.0 | ❌ |
| DeepADoTS | Python | Implementierung und Evaluierung von 7 Deep-Learning-Techniken zur Anomalieerkennung auf Zeitreihendaten. | MIT | ❌ |
| Donut | Python | Donut ist ein unüberwachter Anomalieerkennungsalgorithmus für saisonale KPIs, der auf Variational Autoencoders basiert. | - | ❌ |
| LoudML | Python | Loud ML ist eine Open-Source-Inferenz-Engine für Zeitreihen, die auf TensorFlow aufbaut. Sie ist nützlich, um Daten vorherzusagen, Ausreißer zu erkennen und Prozesse mithilfe von Zukunftswissen zu automatisieren. | MIT | ❌ |
| Linkedin's luminol | Python | Luminol ist eine leichtgewichtige Python-Bibliothek für die Analyse von Zeitreihendaten. Die beiden Hauptfunktionen sind Anomalieerkennung und Korrelation. Es kann verwendet werden, um mögliche Ursachen von Anomalien zu untersuchen. | Apache-2.0 | ❌ |
| Numenta's Nupic | C++ | Die Numenta Platform for Intelligent Computing ist eine Implementierung von Hierarchical Temporal Memory (HTM). | AGPL | ❌ |
| oddstream | R | oddstream (Outlier Detection in Data Streams) bietet Echtzeitunterstützung für die frühzeitige Erkennung anomaler Reihen innerhalb einer großen Sammlung von Streaming-Zeitreihendaten. | GPL-3 | ❌ |
| PyOdds | Python | PyODDS ist ein End-to-End-Python-System zur Ausreißererkennung mit Datenbankunterstützung. PyODDS bietet Algorithmen zur Ausreißererkennung, die sowohl statische als auch Zeitreihendaten unterstützen. | MIT | ❌ |
| PySAD | Python | PySAD ist ein Streaming-Framework zur Anomalieerkennung mit verschiedenen Online-Modellen und einem vollständigen Satz von Werkzeugen für Experimente. | BSD 3-Clause | ❌ |
| rrcf | Python | Implementierung des Robust Random Cut Forest-Algorithmus zur Anomalieerkennung auf Streams. | MIT | ❌ |
| Netflix's Surus | Java | Robust Anomaly Detection (RAD) – eine Implementierung der Robust PCA. | Apache-2.0 | ❌ |
| NASA's Telemanom | Python | Ein Framework zur Verwendung von LSTMs zur Erkennung von Anomalien in multivariaten Zeitreihendaten. Enthält Raumfahrzeug-Anomaliedaten und Experimente aus den Missionen Mars Science Laboratory und SMAP. | custom | ❌ |
