我们之前探讨过点异常（Point Anomalies）和突变点异常（Change Point Anomalies）。这类“幅度异常”是指当某个变量的值突破静态或动态数值阈值时形成的异常。
本文中，我们将讨论更复杂且有趣的上下文异常（Contextual Anomalies）和漂移异常（Drift Anomalies）。它们均属于“形态异常”的范畴——即通过分析时间序列曲线的形态（而非具体数值）来判断是否存在异常行为。尽管某些周期性复杂形态可通过数学方法描述，但形态异常检测通常需借助AI/ML技术，这类方法在此任务中表现尤为出色。（若想深入了解不同算法，可参考此详尽的讨论：https://antonsruberts.github.io/anomaly-detection-web/）
以下是Andrew Maguire提出的时间序列（即折线图）异常分类示例：
形态异常检测的实际应用场景
尽管形态异常的应用场景数以千计，以下列举几个作者深度参与的典型案例：
- 非常规流量突增
若某网站在工作日的流量符合预期，但某时段突现与时间规律不符的过高或过低流量（例如非高峰时段异常访问），则属于基于周期性（如小时/周）的上下文异常。此类异常可能预示安全漏洞（如非预期时段的访问、来自异常国家/IP地址的流量激增、管理员操作位置异常等）。 - 非常规流量骤降
当“加入购物车”按钮失效导致销量骤降，或错误配置的折扣码将价格归零引发收入暴跌时，此类技术故障会直接造成业务损失，且代价高昂。 - 缓慢漂移
某些趋势变化并非突发，而是随时间逐渐累积的缓慢漂移。此类异常极难检测。例如，若网站流量持续攀升，虽非负面信号，却可能需触发扩容服务器等响应动作。 - 机器振动异常
复杂机械（如引擎、泵、涡轮机、机翼、工厂设备等）运行时会产生特定振动模式。通过测力计记录振动曲线后，可基于其独特波峰波谷判断是否偏离“健康”形态。例如：- 低温环境下冷车启动的振动模式与热车状态明显不同；
- 经验丰富的车主能通过异响或敲击声（振动模式与频率变化所致）预判设备故障。
在某些场景中，上下文振动异常甚至可预测故障类型与剩余寿命。
行业启示：即使您所在领域与上述案例不同，掌握此类异常的UI设计最佳实践，仍能帮助您发掘（或创新）适用于自身产品或行业的形态异常应用场景。
基于周期性的上下文异常检测
以下是Jepto提供的季节性形态异常检测示例界面，其设计简洁直观，便于配置算法：
核心可配置参数：
- 周期（Time Period）：选择算法建模的时间周期（如每日、每周）。
- 方向（Direction）：设定检测高于或低于预期值的异常（或两者兼有）。
若您阅读过本系列前文（参见《面向AI从业者的折线图预测指南（第三部分）》），应能轻松理解上述参数。
另请注意界面中的历史数据预览功能：根据当前设置模拟历史异常生成情况。该功能可有效避免误报（正常数据被误判为异常）或漏报（本应触发异常却未报告）。
高级设置中的隐藏选项：
多数用户依赖基础算法设置即可满足需求，但处理上下文异常时，建议通读文档以掌握高级参数的精细调节：https://www.jepto.com/help/anomaly-detection-settings
关键参数TL/DR版：
- 正异常阈值（Threshold of Positive Anomalies）：决定数据中被标记为异常的百分比，直接影响系统灵敏度。正如设计领域的名言“若万物皆强调，则无物被突出”，异常检测亦同理。（注：此参数亦关联“处理容量”概念——团队在合理时间内能处理的异常数量上限，后续文章将详述。）
优化空间与改进建议
尽管当前UI界面简洁直观且提供充分帮助信息，但其底层逻辑较为复杂。结合“AI人因研究”的UX最佳实践，我们提出以下改进方案（实际效果可能因场景而异）：
- 支持多周期组合
当前界面仅允许选择单一周期（如周、月），但实际业务常需叠加日周期（如凌晨2-6点低需求）、周周期（周末需求下降）、年周期（年末假日流量激增）等。仅选择“周周期”会遗漏复杂周期中的关键异常（如凌晨3点流量突增），并在假日高流量期产生大量误报。
解决方案：自动推荐最优周期组合（如日+周+年），而非让用户手动选择单一周期。 - 引入算法自平衡机制
在购物季等高噪声时段，系统易产生大量误报。当前界面虽提供调节选项，但需用户手动理解并设置。
改进方案：- 自动根据异常数量调整灵敏度；
- 若需用户参与，可在警报旁添加引导选项（如“[ ] 本指标警报过多？勾选此处以根据近期数据自动调节异常阈值”）。
- 优化灵敏度设置可见性与易用性
- 可见性问题：关键参数“正异常阈值”藏于高级设置中，虽为避免用户困惑，但降低了核心功能可发现性。
- 易用性问题：当前下拉选项（如“99百分位”“95百分位”“数据最大值中位数”“数字营销数据默认设置”）晦涩难懂。
改进方案：替换为直观滑块控件——
- 集成Copilot智能引导
除直接设置外，可通过聊天功能提供配置建议。Copilot可基于历史数据与实时异常动态调整推荐，并支持“假设分析”问答，帮助用户理解文档细节。
核心结论重申
如《折线图预测指南（第三部分）》所述，电商流量的典型周期性是小时（夜间低流量）+周（周末低流量）+年（假日促销前高流量）的组合。AI/ML工具通过历史数据直接训练模型（而非依赖算法预测），能更精准建模复杂周期，从而准确识别上下文异常。
确保方案可扩展性
尽管手动配置界面适用于少量异常检测，但在需管理数百甚至数千指标时，自动化与自平衡机制将成为关键。设计时需充分考虑用户规模与知识水平，确保UX方案匹配任务复杂度与用户能力。