awesome-TS-anomaly-detection

该合集是一个关于时间序列异常检测的数据集和工具资源列表，覆盖时间序列数据中的异常检测领域，内容包括多个数据集和软件工具，按字母顺序组织，并标注维护状态。

This collection is a curated resource list of datasets and software tools for time series anomaly detection, covering the domain of anomaly detection in time series data. All entries are organized alphabetically, with their maintenance status clearly indicated.

原始信息汇总

awesome-TS-anomaly-detection 数据集与工具概览

该资源是一个关于时间序列异常检测的工具与数据集的精选列表，按字母顺序排列，并优先列出维护中的项目。

异常检测软件

名称	语言	简介	许可协议	维护状态
Cuebooks CueObserve	Python3	对 SQL 数据仓库和数据库进行异常检测。	Apache-2.0	✅
Yahoos EGADS	Java	包含多种异常检测技术的库，仅依赖 Java。	GPL	✅
AIStreams flow-forecast	Python	用于时间序列预测、分类和异常检测的深度学习 PyTorch 库。	GPL-3	✅
Hastic	Python + node.js	基于 Grafana UI 的时间序列数据异常检测工具。	GPL	✅
Zillows Luminaire	Python	提供基于机器学习的异常检测和预测解决方案。	Apache-2.0	✅
MIDAS	C++	从边流中检测微聚类异常，具有恒定时间和内存复杂度。	Apache-2.0	✅
Orion	Python	用于无监督时间序列异常检测的机器学习库，提供经过验证的管道。	MIT	✅
OutlierDetection.jl	Julia	快速、可扩展且灵活的异常检测 Julia 工具。	MIT	✅
PyOD	Python	用于多变量数据异常检测的全面且可扩展的 Python 工具包。	BSD 2-Clause	✅
ruptures	Python	用于离线变点检测的 Python 库，支持非平稳信号分析和分割。	BSD 2-Clause	✅
EarthGecko Skyline	Python3	实时异常检测系统，用于被动监控数十万个指标。	MIT	✅
Expedia.coms Adaptive Alerting	Java	流式异常检测，支持自动模型选择和拟合。	Apache-2.0	❌
Arundos ADTK	Python	用于无监督/基于规则的时间序列异常检测的 Python 包。	MPL 2.0	❌
Twitters AnomalyDetection	R	能够稳健处理季节性和趋势的异常检测 R 包。	GPL	❌
Lytics Anomalyzer	Go	实现一组统计检验，输出时间序列包含异常行为的概率。	Apache-2.0	❌
banpei	Python	时间序列的异常检测和变点检测。	MIT	❌
Ele.mes banshee	Go	周期性指标的异常检测系统。	MIT	❌
CAD	Python	流式数据的上下文异常检测。	AGPL	❌
Chaos Genius	Python	ML 驱动的异常/离群点检测和根因分析引擎。	MIT	❌
Mentats datastream.io	Python	使用 Python、Elasticsearch 和 Kibana 的实时异常检测框架。	Apache-2.0	❌
DeepADoTS	Python	7 种基于深度学习的时间序列异常检测技术的实现与评估。	MIT	❌
Donut	Python	基于变分自编码器的季节性 KPI 无监督异常检测算法。	-	❌
LoudML	Python	基于 TensorFlow 的开源时间序列推理引擎。	MIT	❌
Linkedins luminol	Python	轻量级时间序列数据分析库，支持异常检测和相关性分析。	Apache-2.0	❌
Numentas Nupic	C++	分层时间记忆（HTM）的实现。	AGPL	❌
oddstream	R	对大规模流式时间序列进行异常系列早期检测。	GPL-3	❌
PyOdds	Python	具有数据库支持的端到端异常检测系统。	MIT	❌
PySAD	Python	流式异常检测框架，包含多种在线模型。	BSD 3-Clause	❌
rrcf	Python	稳健随机切割森林算法的实现。	MIT	❌
Netflixs Surus	Java	稳健异常检测（RAD），一种稳健 PCA 的实现。	Apache-2.0	❌
NASAs Telemanom	Python	使用 LSTM 检测多变量时间序列异常的框架。	自定义许可	❌

相关软件

预测

名称	语言	简介	许可协议	维护状态
darts	Python	易于操作和预测时间序列的 Python 库。	Apache-2.0	✅
ETNA	Python	时间序列预测和分析库。	Apache-2.0	✅
Amazons GluonTS	Python	概率时间序列建模的 Python 工具包。	Apache-2.0	✅
pmdarima	Python	R 语言 auto.arima 的移植版。	MIT	✅
Facebooks Prophet	Python/R	基于加法模型的时间序列预测程序。	BSD	✅
PyFlux	Python	提供多种现代时间序列模型和灵活推断选项。	BSD 3-Clause	❌

时间序列分析

名称	语言	简介	许可协议	维护状态
Facebooks Kats	Python	一站式时间序列分析工具。	MIT	✅
MatrixProfile	Python	利用矩阵轮廓算法的 Python 库。	Apache-2.0	✅
Salesforces Merlion	Python	时间序列智能机器学习框架。	BSD 3-Clause	✅
SaxPy	Python	SAX 和 HOTSAX 的通用实现。	GPLv2.0	✅
sktime	Python	时间序列机器学习的统一框架。	BSD 3-Clause	✅
sktime-dl	Python	基于 Tensorflow/Keras 的深度学习扩展包。	BSD 3-Clause	✅
Squey	C++	可视化软件，可深入探索时间序列并显示异常值。	MIT	✅
Tigramite	Python	因果时间序列分析 Python 包。	GPLv3.0	✅
tsflex	Python	灵活高效的特征提取与处理工具包。	MIT	✅
tslearn	Python	时间序列分析的机器学习工具。	BSD 2-Clause	✅
seglearn	Python	时间序列/序列机器学习的 Python 包。	BSD 3-Clause	❌

标注

名称	语言	简介	许可协议	维护状态
Baidus Curve	Python	帮助在时间序列数据上标注异常的开源工具。	Apache-2.0	❌
Microsofts Taganomaly	R (web app)	简单的时间序列数据标注工具。	MIT	❌

基准数据集

• NAB（Numenta）：用于评估流式实时应用中异常检测算法的基准，包含超过 50 个带标签的真实世界和人工时间序列数据文件。
• Webscope S5（Yahoo）：由真实和合成时间序列组成的数据集，带有标记的异常点，测试离群点和变点等异常类型的检测准确性。
• SKAB（Skoltech Anomaly Benchmark）：包含 30 多个数据集和评估模块，每个数据集是来自测试平台传感器采集的多变量时间序列，均带有离群点和变点检测标签。
• KPI-Anomaly-Detection（2018 AIOps）：来自互联网公司真实场景的 KPI 时间序列数据，包含服务指标和机器指标，带有真实标签用于训练和测试。

搜集汇总

数据集介绍

构建方式

该数据集通过系统性地梳理和整合时间序列异常检测领域的开源工具与基准数据集而构建。其核心收录了涵盖Python、Java、C++、Julia、R及Go等多种编程语言的异常检测软件，并依据维护状态（以最新提交时间是否超过一年为标准）进行优先级排序。此外，还纳入了与异常检测密切相关的预测、时间序列分析及标注等辅助性工具，并收录了NAB、Yahoo Webscope S5、SKAB及KPI-Anomaly-Detection等权威基准数据集，形成了层次分明、内容全面的资源集合。

特点

该数据集最显著的特点在于其高度的组织性与实用性。所有条目均按字母顺序排列，并明确标注了许可证类型与维护状态，便于用户快速筛选。它不仅涵盖了从经典统计方法到前沿深度学习模型的多样化算法实现，还整合了真实业务场景（如互联网公司KPI）与合成数据集的标注数据，为算法评估提供了多维度、跨领域的测试基准。这种结构化的编排方式，使其成为时间序列异常检测领域研究者与实践者不可或缺的导航工具。

使用方法

使用者可直接依据编程语言偏好、许可证限制或项目维护状态，从“Anomaly Detection Software”等核心分类中检索并选用合适的工具。每个条目均附有简要描述及GitHub链接，便于快速了解功能并获取源代码。对于算法评估，可直接利用“Benchmark Datasets”部分提供的NAB、SKAB等公开数据集，这些数据集已包含标注信息与评估机制，支持直接进行模型训练与性能对比。此外，该资源库提供了明确的引用方式（含DOI与BibTex格式），方便在学术工作中规范引用。

背景与挑战

背景概述

时间序列数据广泛存在于运维监控、工业传感、金融交易等关键领域，其异常检测对于保障系统稳定性和业务连续性具有举足轻重的意义。该数据集汇总列表由Roberto Medico于2020年创建，旨在系统梳理时间序列异常检测领域的开源工具与基准数据集，为研究人员和工程师提供一站式参考资源。其核心研究问题聚焦于如何高效、准确地识别时间序列中的异常模式，涵盖从统计方法到深度学习模型的多种技术路线。该列表收录了Yahoo EGADS、Twitter AnomalyDetection等经典工具，以及NAB、Yahoo Webscope S5等权威基准数据集，对推动时间序列异常检测技术的标准化评估与社区协作产生了深远影响。

当前挑战

该领域面临的核心挑战在于时间序列数据的复杂多样性：异常类型涵盖点异常、上下文异常和集体异常，且数据常呈现趋势性、季节性和噪声交织的特性，使得通用检测算法难以兼顾准确率与召回率。构建该数据集列表时，挑战在于维护海量开源项目的时效性与可用性，需持续追踪代码更新、许可证变更及项目维护状态，同时甄别不同工具在真实场景下的适用边界。此外，基准数据集如NAB和SKAB虽提供了标准化评估框架，但实际应用中缺乏涵盖工业级多变量、高维且标注详尽的公开数据，限制了算法泛化能力的验证与模型鲁棒性的提升。

常用场景

经典使用场景

在时间序列分析领域，异常检测是识别数据中不符合预期模式的关键技术。awesome-TS-anomaly-detection数据集整合了来自Numenta的NAB、Yahoo的Webscope S5以及Skoltech的SKAB等多个基准数据集，为研究者提供了涵盖真实世界与合成场景的丰富时间序列数据。这些数据广泛应用于评估算法在流式数据中的实时检测能力，尤其适用于监控系统性能指标（如CPU利用率、页面响应时间）中的异常点与变点检测任务，推动了异常检测方法在动态环境下的标准化验证。

衍生相关工作

该数据集催生了多项标志性工作。Numenta的NAB基准不仅提出了流式异常检测的评分机制，还启发了后续如Merlion等统一框架的开发，将多种模型集成于单一接口。Yahoo的EGADS库则基于该数据验证了集成式检测方法在多种异常类型上的泛化能力。此外，DeepADoTS项目系统评估了七种深度学习方法在该数据集上的表现，揭示了变分自编码器在季节性KPI数据中的优势，推动了Donut等无监督算法的诞生，进一步丰富了时间序列异常检测的工具生态。

数据集最近研究

最新研究方向

在时序数据异常检测领域，前沿研究正朝着多维度融合与实时智能的方向演进。当前，基于深度学习的无监督与自监督方法成为主流，如变分自编码器（Donut）和长短期记忆网络（Telemanom）在航天遥测与KPI监控中展现出卓越的异常捕获能力。同时，工业界与学术界共同关注流式数据的在线检测与根因分析，涌现出如Orion、PySAD等轻量级框架，它们通过构建可验证的机器学习流水线，实现了对稀有模式的实时识别与专家复核。值得注意的是，随着云原生与微服务架构的普及，面向SQL数据仓库与数据库的异常检测工具（如CueObserve）正成为运维智能化的关键支撑，而Yahoo、Twitter等企业开源的高鲁棒性统计方法与集成学习工具，则持续推动着从单一指标到多变量复杂系统的异常诊断范式革新。这些工具与基准数据集（如NAB、SKAB）的协同演进，不仅加速了算法迭代，更在金融风控、工业4.0及智能运维等热点场景中，为保障系统稳定性与业务连续性提供了坚实的数据智能基座。