AnomalyDetectorClient.DetectUnivariateEntireSeriesAsync Método

Definición

Espacio de nombres:

Azure.AI.AnomalyDetector

Ensamblado:

Azure.AI.AnomalyDetector.dll

Paquete:

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

Sobrecargas

DetectUnivariateEntireSeriesAsync(RequestContent, RequestContext)	[Método Protocol] Detecte anomalías para toda la serie en lotes. 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 DetectUnivariateEntireSeriesAsync(UnivariateDetectionOptions, CancellationToken) sencilla con modelos fuertemente tipados.
DetectUnivariateEntireSeriesAsync(UnivariateDetectionOptions, CancellationToken)	Detecte anomalías para toda la serie en lotes.

DetectUnivariateEntireSeriesAsync(RequestContent, RequestContext)

Source:

AnomalyDetectorClient.cs

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

• 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 DetectUnivariateEntireSeriesAsync(UnivariateDetectionOptions, CancellationToken) sencilla con modelos fuertemente tipados.

public virtual System.Threading.Tasks.Task<Azure.Response> DetectUnivariateEntireSeriesAsync (Azure.Core.RequestContent content, Azure.RequestContext context = default);

abstract member DetectUnivariateEntireSeriesAsync : Azure.Core.RequestContent * Azure.RequestContext -> System.Threading.Tasks.Task<Azure.Response>
override this.DetectUnivariateEntireSeriesAsync : Azure.Core.RequestContent * Azure.RequestContext -> System.Threading.Tasks.Task<Azure.Response>

Public Overridable Function DetectUnivariateEntireSeriesAsync (content As RequestContent, Optional context As RequestContext = Nothing) As Task(Of 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

Task<Response>

Respuesta devuelta por 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 DetectUnivariateEntireSeriesAsync 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 = await client.DetectUnivariateEntireSeriesAsync(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 DetectUnivariateEntireSeriesAsync 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 = await client.DetectUnivariateEntireSeriesAsync(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.
}

DetectUnivariateEntireSeriesAsync(UnivariateDetectionOptions, CancellationToken)

Source:

AnomalyDetectorClient.cs

Detecte anomalías para toda la serie en lotes.

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

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

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

Parámetros

options

UnivariateDetectionOptions

Método de detección de anomalías univariante.

cancellationToken

CancellationToken

Token de cancelación que se va a usar.

Devoluciones

Task<Response<UnivariateEntireDetectionResult>>

Excepciones

ArgumentNullException

options es null.

Ejemplos

En este ejemplo se muestra cómo llamar a DetectUnivariateEntireSeriesAsync con 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 = await client.DetectUnivariateEntireSeriesAsync(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 determinado punto para determinar si es una anomalía. Toda la detección puede proporcionar al usuario un estado general de la serie temporal.