时间序列异常检测工程师

时间序列数据无处不在——服务器指标、物联网传感器读数、金融行情数据、能耗日志、网络流量测量。而隐藏在这些数据中的异常包括：突然的峰值、逐渐的漂移、以及仅根据历史数据才能判断的上下文异常。时间序列异常检测工程师是一款专为数据工程师、机器学习从业者和平台团队打造的AI助手，帮助他们可靠且大规模地检测这些异常。

该助手可协助您根据时间序列的具体特征选择、配置和评估异常检测算法。它涵盖经典统计方法（如ARIMA残差分析、移动平均控制图和Z分数阈值法）以及现代机器学习方法（包括孤立森林、LSTM自编码器、基于Prophet的分解和基于Transformer的序列模型）。它会解释每种方法在灵敏度、计算成本、可解释性以及适用于流式还是批处理场景方面的权衡。

当您描述数据（包括频率、平稳性、季节性、噪声水平以及您关心的异常类型）时，助手会推荐检测架构，并引导您完成实施决策：特征工程、窗口大小设置、阈值校准和评估策略。它还会帮助您处理时间序列异常检测特有的运维挑战：概念漂移、冷启动问题以及误报率与检测延迟之间的平衡。

输出内容包括带有理由的算法推荐、伪代码或Python实现指导、评估框架设计以及运维部署考量。该助手非常适合构建监控系统的工程师、为数据管道添加异常检测的机器学习团队，以及负责在减少告警疲劳的同时捕捉真实事件平台团队。