3、异常检测技术选型：统计方法、机器学习方法与深度学习方法

在供应链控制塔的异常检测场景中，技术选型直接决定了检测的时效性、准确率与运维成本。本章从统计方法、机器学习方法到深度学习方法，系统对比三类技术的适用场景、核心原理与部署要点。

3.1 统计方法：3-Sigma 与 IQR

统计方法是最早应用于异常检测的基线技术，适用于数据分布稳定、周期性明显的供应链指标（如日订单量、月库存周转率）。

3.1.1 3-Sigma 法则

基于正态分布假设，将超出均值 ±3 倍标准差的数据点标记为异常。适用于单变量、近似正态分布的场景。

• 公式：异常阈值 = μ ± 3σ
• 优点：计算极快，无需训练，可解释性强
• 局限：对非正态分布、多模态数据效果差，对极端值敏感

3.1.2 IQR（四分位距）方法

基于数据分位数，将低于 Q1 - 1.5×IQR 或高于 Q3 + 1.5×IQR 的值视为异常。对数据分布假设更宽松，适合偏态分布。

• 公式：IQR = Q3 - Q1；下限 = Q1 - 1.5×IQR；上限 = Q3 + 1.5×IQR
• 优点：鲁棒性强，不受极端值影响
• 局限：无法捕捉局部密度变化，对高维数据无效

3.2 机器学习方法：孤立森林与 LOF

当供应链数据呈现高维度、非线性特征时（如同时分析供应商交货准时率、运输成本、仓储利用率等多维指标），机器学习方法能更有效地分离异常点。

3.2.1 孤立森林（Isolation Forest）

通过随机切割特征空间构建二叉树，异常点因更容易被孤立而路径更短。适合高维、大规模数据集。

• 核心参数：树的数量（n_estimators）、采样比例（max_samples）、异常比例（contamination）
• 优点：线性时间复杂度，对高维数据友好，无需距离计算
• 局限：对局部异常不敏感，对特征噪声敏感

3.2.2 LOF（局部异常因子）

基于局部密度偏差，比较样本点与其邻域点的密度比值。适合检测局部异常，如供应链中某个仓库的突发订单激增。

• 核心参数：邻域大小（n_neighbors）、距离度量（metric）
• 优点：能检测局部异常，对数据分布无假设
• 局限：计算复杂度高（O(n²)），不适合超大规模数据

3.3 深度学习方法：Autoencoder 与 LSTM

对于时序性强、模式复杂的供应链数据（如分钟级物流轨迹、小时级需求波动），深度学习方法能自动学习高阶特征与时间依赖关系。

3.3.1 Autoencoder（自编码器）

通过编码器-解码器结构学习数据的低维表示，以重构误差作为异常分数。适合非时序的多维异常检测。

• 网络结构：输入层 → 编码层（降维） → 瓶颈层 → 解码层（升维） → 输出层
• 异常判定：重构误差（MSE/MAE）超过阈值则标记为异常
• 优点：无监督学习，能捕捉非线性特征
• 局限：训练需要大量正常数据，对时序依赖建模弱

3.3.2 LSTM（长短期记忆网络）

专门设计用于序列数据，通过门控机制捕捉长期依赖。适合供应链时序预测与异常检测，如需求突变、物流延迟。

• 网络结构：输入门、遗忘门、输出门 + 细胞状态
• 异常判定：预测误差（实际值 - 预测值）超过动态阈值
• 优点：时序建模能力强，适合周期性模式
• 局限：训练成本高，对非平稳序列需预处理

3.4 技术选型综合对比