时间序列异常检测对于基础设施监控、物联网、金融欺诈和预测性维护至关重要。按复杂度分类的方法：

1) 统计基线：Z-score、IQR异常检测、ARIMA残差分析。快速、可解释，适用于简单异常。

2) 孤立森林：用于异常检测的随机森林，适用于多维数据，时间复杂度O(n*log(n))。

python
   from sklearn.ensemble import IsolationForest
   model = IsolationForest(contamination=0.1)
   model.fit(X_train)
   anomalies = model.predict(X_test) == -1
   

3) LSTM自编码器：学习正常模式，异常具有高重构误差。编码器-解码器架构，仅在正常数据上训练。将重构误差阈值设为训练误差的第95百分位数。

4) 季节趋势分解：STL分解将序列分解为趋势+季节性+残差，检测残差分量中的异常。处理时变基线。

5) 基础模型：Moirai（Salesforce）、TimeGPT、Lag-Llama——在大量时间序列数据集上预训练，支持零样本或少样本异常检测。

生产系统：流式摄入 -> 特征提取（滚动统计量、频谱特征）-> 检测器集成（减少误报）-> 置信度评分 -> 带上下文的告警。

告警疲劳预防：要求连续N个异常才触发告警，对相关异常进行分组，在已知维护窗口期间抑制告警。