Darts项目中LocalForecastingModel为何不适用于异常检测

在时间序列分析领域，异常检测是一个重要且具有挑战性的任务。许多开发者在使用Darts库时，可能会尝试将Prophet等本地预测模型（LocalForecastingModel）应用于异常检测场景，但会发现该库仅支持全局预测模型（GlobalForecastingModel）。这背后有着深刻的技术考量。

模型泛化能力的本质差异

全局预测模型的核心优势在于其强大的泛化能力。这类模型可以通过在大量非异常时间序列数据上进行预训练，建立一个能够捕捉正常数据模式的通用模型状态。当这个训练好的模型遇到新的时间序列时，它会基于学习到的正常模式进行预测。如果实际数据中存在异常，模型预测值与实际值之间就会产生显著差异，这正是异常检测所依赖的关键信号。

相比之下，本地预测模型如Prophet具有完全不同的工作机制。这类模型只能基于其训练过的特定时间序列数据进行预测，缺乏跨序列的泛化能力。这意味着每次进行预测时，都需要重新训练模型，导致两个严重问题：

异常污染训练数据的风险

在滚动预测场景中，本地模型需要在每个时间步重新训练。如果训练窗口内已经包含异常数据，模型会将这些异常模式纳入学习过程。这种情况下，模型可能会"学会"预测异常，导致预测值与实际异常值之间的差异变小，从而大大降低异常检测的灵敏度。

计算效率的考量

全局模型只需一次训练即可应用于所有序列的预测，而本地模型需要进行多次重复训练。这不仅增加了计算开销，还使得异常检测流程变得复杂且低效。对于需要实时或近实时检测的大规模时间序列应用，这种计算负担往往是不可接受的。

替代解决方案

虽然Darts库不直接支持使用本地模型进行异常检测，但开发者可以通过以下方式实现类似功能：

1. 手动实现滚动预测流程，在每个时间步：

   • 用历史数据训练本地模型
   • 生成下一步预测
   • 计算预测误差
   • 基于误差确定异常分数

2. 使用专门的异常检测评分器（Scorer）和阈值方法，将预测误差转换为异常判断

3. 考虑将本地模型转换为全局使用模式，例如通过提取特征或使用集成方法

理解这些技术差异有助于开发者根据具体场景选择合适的工具和方法。对于大多数生产环境中的异常检测任务，全局模型因其稳定性、效率和准确性而成为更优选择。而对于需要高度定制化的小规模分析，手动实现本地模型的异常检测流程也不失为一种可行方案。