AnomalyDetectorClient.DetectUnivariateEntireSeries Método

Definición

Espacio de nombres:

Azure.AI.AnomalyDetector

Ensamblado:

Azure.AI.AnomalyDetector.dll

Paquete:

Azure.AI.AnomalyDetector v3.0.0-preview.7

Sobrecargas

DetectUnivariateEntireSeries(UnivariateDetectionOptions, CancellationToken)	Detecte anomalías para toda la serie en lote.
DetectUnivariateEntireSeries(RequestContent, RequestContext)	[Método Protocol] Detecte anomalías para toda la serie en lote. Este método de protocolo permite la creación explícita de la solicitud y el procesamiento de la respuesta para escenarios avanzados. Pruebe primero la sobrecarga de comodidad más DetectUnivariateEntireSeries(UnivariateDetectionOptions, CancellationToken) sencilla con modelos fuertemente tipados.

DetectUnivariateEntireSeries(UnivariateDetectionOptions, CancellationToken)

Source:

AnomalyDetectorClient.cs

Detecte anomalías para toda la serie en lote.

public virtual Azure.Response<Azure.AI.AnomalyDetector.UnivariateEntireDetectionResult> DetectUnivariateEntireSeries(Azure.AI.AnomalyDetector.UnivariateDetectionOptions options, System.Threading.CancellationToken cancellationToken = default);

abstract member DetectUnivariateEntireSeries : Azure.AI.AnomalyDetector.UnivariateDetectionOptions * System.Threading.CancellationToken -> Azure.Response<Azure.AI.AnomalyDetector.UnivariateEntireDetectionResult>
override this.DetectUnivariateEntireSeries : Azure.AI.AnomalyDetector.UnivariateDetectionOptions * System.Threading.CancellationToken -> Azure.Response<Azure.AI.AnomalyDetector.UnivariateEntireDetectionResult>

Public Overridable Function DetectUnivariateEntireSeries (options As UnivariateDetectionOptions, Optional cancellationToken As CancellationToken = Nothing) As Response(Of UnivariateEntireDetectionResult)

Parámetros

options

UnivariateDetectionOptions

Método de detección de anomalías univariante.

cancellationToken

CancellationToken

Token de cancelación que se va a usar.

Devoluciones

Response<UnivariateEntireDetectionResult>

Excepciones

ArgumentNullException

options es null.

Ejemplos

En este ejemplo se muestra cómo llamar a DetectUnivariateEntireSeries con los parámetros necesarios.

var credential = new AzureKeyCredential("<key>");
var endpoint = new Uri("<https://my-service.azure.com>");
var client = new AnomalyDetectorClient(endpoint, credential);

var options = new UnivariateDetectionOptions(new TimeSeriesPoint[] 
{
    new TimeSeriesPoint(3.14f)
{
        Timestamp = DateTimeOffset.UtcNow,
    }
})
{
    Granularity = TimeGranularity.Yearly,
    CustomInterval = 1234,
    Period = 1234,
    MaxAnomalyRatio = 3.14f,
    Sensitivity = 1234,
    ImputeMode = ImputeMode.Auto,
    ImputeFixedValue = 3.14f,
};
var result = client.DetectUnivariateEntireSeries(options);

Comentarios

Esta operación genera un modelo con una serie completa. Cada punto se detecta con el mismo modelo. Con este método, se usan puntos antes y después de un punto determinado para determinar si se trata de una anomalía. Toda la detección puede proporcionar al usuario un estado general de la serie temporal.

DetectUnivariateEntireSeries(RequestContent, RequestContext)

Source:

AnomalyDetectorClient.cs

[Método Protocol] Detecte anomalías para toda la serie en lote.

• Este método de protocolo permite la creación explícita de la solicitud y el procesamiento de la respuesta para escenarios avanzados.
• Pruebe primero la sobrecarga de comodidad más DetectUnivariateEntireSeries(UnivariateDetectionOptions, CancellationToken) sencilla con modelos fuertemente tipados.

public virtual Azure.Response DetectUnivariateEntireSeries(Azure.Core.RequestContent content, Azure.RequestContext context = default);

abstract member DetectUnivariateEntireSeries : Azure.Core.RequestContent * Azure.RequestContext -> Azure.Response
override this.DetectUnivariateEntireSeries : Azure.Core.RequestContent * Azure.RequestContext -> Azure.Response

Public Overridable Function DetectUnivariateEntireSeries (content As RequestContent, Optional context As RequestContext = Nothing) As Response

Parámetros

content

RequestContent

Contenido que se va a enviar como el cuerpo de la solicitud.

context

RequestContext

Contexto de solicitud, que puede invalidar los comportamientos predeterminados de la canalización de cliente por llamada.

Devoluciones

Response

Respuesta devuelta desde el servicio.

Excepciones

ArgumentNullException

content es null.

RequestFailedException

El servicio devolvió un código de estado no correcto.

Ejemplos

En este ejemplo se muestra cómo llamar a DetectUnivariateEntireSeries con el contenido de la solicitud necesario y cómo analizar el resultado.

var credential = new AzureKeyCredential("<key>");
var endpoint = new Uri("<https://my-service.azure.com>");
var client = new AnomalyDetectorClient(endpoint, credential);

var data = new {
    series = new[] {
        new {
            value = 123.45f,
        }
    },
};

Response response = client.DetectUnivariateEntireSeries(RequestContent.Create(data));

JsonElement result = JsonDocument.Parse(response.ContentStream).RootElement;
Console.WriteLine(result.GetProperty("period").ToString());
Console.WriteLine(result.GetProperty("expectedValues")[0].ToString());
Console.WriteLine(result.GetProperty("upperMargins")[0].ToString());
Console.WriteLine(result.GetProperty("lowerMargins")[0].ToString());
Console.WriteLine(result.GetProperty("isAnomaly")[0].ToString());
Console.WriteLine(result.GetProperty("isNegativeAnomaly")[0].ToString());
Console.WriteLine(result.GetProperty("isPositiveAnomaly")[0].ToString());

En este ejemplo se muestra cómo llamar a DetectUnivariateEntireSeries con todo el contenido de la solicitud y cómo analizar el resultado.

var credential = new AzureKeyCredential("<key>");
var endpoint = new Uri("<https://my-service.azure.com>");
var client = new AnomalyDetectorClient(endpoint, credential);

var data = new {
    series = new[] {
        new {
            timestamp = "2022-05-10T14:57:31.2311892-04:00",
            value = 123.45f,
        }
    },
    granularity = "yearly",
    customInterval = 1234,
    period = 1234,
    maxAnomalyRatio = 123.45f,
    sensitivity = 1234,
    imputeMode = "auto",
    imputeFixedValue = 123.45f,
};

Response response = client.DetectUnivariateEntireSeries(RequestContent.Create(data), new RequestContext());

JsonElement result = JsonDocument.Parse(response.ContentStream).RootElement;
Console.WriteLine(result.GetProperty("period").ToString());
Console.WriteLine(result.GetProperty("expectedValues")[0].ToString());
Console.WriteLine(result.GetProperty("upperMargins")[0].ToString());
Console.WriteLine(result.GetProperty("lowerMargins")[0].ToString());
Console.WriteLine(result.GetProperty("isAnomaly")[0].ToString());
Console.WriteLine(result.GetProperty("isNegativeAnomaly")[0].ToString());
Console.WriteLine(result.GetProperty("isPositiveAnomaly")[0].ToString());
Console.WriteLine(result.GetProperty("severity")[0].ToString());

Comentarios

Esta operación genera un modelo con una serie completa, cada punto se detecta con el mismo modelo. Con este método, los puntos antes y después de un determinado punto se usan para determinar si se trata de una anomalía. Toda la detección puede proporcionar al usuario un estado general de la serie temporal.

A continuación se muestra el esquema JSON para las cargas de solicitud y respuesta.

Cuerpo de la solicitud:

Esquema para UnivariateDetectionOptions:

{
  series: [
    {
      timestamp: string (date & time), # Optional.
      value: number, # Required.
    }
  ], # Required.
  granularity: "yearly" | "monthly" | "weekly" | "daily" | "hourly" | "minutely" | "secondly" | "microsecond" | "none", # Optional.
  customInterval: number, # Optional.
  period: number, # Optional.
  maxAnomalyRatio: number, # Optional.
  sensitivity: number, # Optional.
  imputeMode: "auto" | "previous" | "linear" | "fixed" | "zero" | "notFill", # Optional.
  imputeFixedValue: number, # Optional.
}

Cuerpo de la respuesta:

Esquema para UnivariateEntireDetectionResult:

{
  period: number, # Required.
  expectedValues: [number], # Required.
  upperMargins: [number], # Required.
  lowerMargins: [number], # Required.
  isAnomaly: [boolean], # Required.
  isNegativeAnomaly: [boolean], # Required.
  isPositiveAnomaly: [boolean], # Required.
  severity: [number], # Optional.
}