交通量预测matlab代码具有模式、缺失值和异常值的真实世界张量流的稳健分解 (ICDE'21) 这个存储库包含论文的源代码，由 和 提供，在 。 在这项工作中，我们提出了SOFIA ，这是一种在线算法，用于分解随着时间推移而随着时间推移而丢失条目和异常值的真实世界张量。 通过平稳而紧密地结合张量分解、异常值检测和时间模式检测，SOFIA 与最先进的竞争对手相比具有以下优势： 稳健而准确：与最佳竞争对手相比，SOFIA 产生的插补和预测错误最多可降低 76% 和 71%。 快速：与第二准确的方法相比，使用 SOFIA 使插补速度提高了 935 倍。 可扩展：SOFIA 在时间演化的张量中以增量方式处理新条目，并且它与每个时间步长的新条目数量成线性比例。 数据集 名称 描述 尺寸 时间粒度 处理过的数据集 原始来源 英特尔实验室传感器 位置 x 传感器 x 时间 54 x 4 x 1152 每 10 分钟 网络流量 来源 x 目的地 x 时间 23 x 23 x 2000 每小时 芝加哥出租车 来源 x 目的地 x 时间 77 x 77 x 2016 每小时 纽约出租车 来源 x 目的地

异常值matlab代码RFM-SCAN：使用带有大量异常值的空间聚类进行稳健的特征匹配 (TIP2020) 在 Matlab 2016b 上成功测试。 如果您将此存储库中的代码用作已发布研究项目的一部分，请引用本文。 姜星宇、马佳一、姜俊军和郭小杰。 “使用带有大量异常值的空间聚类进行鲁棒特征匹配”，IEEE 图像处理汇刊，2020 年。

MEDOUTLIERFILT - 使用每列的中位数 [stats_data,filtered_data] = medoutlierfi​​lt(x,outlier_cut,plot_state) 通过指定截断值从数据集 X 中删除可能的异常值。 OUTLIER_CUT 是一个截断值，是上面四分位数范围的倍数Q3 及 Q1 以下，默认值与 BOXPLOT 函数相同。 Plot_state = 1 表示开启，0 表示关闭，DEFAULT = ON 例子： 加载计数.dat; [统计，过滤数据] = medoutlierfi​​lt(count,1,1) 灵感来自 Chris D. Larson 的 quartile.m 另见：箱线图、四分位数科林·克拉克2006 克兰菲尔德大学 箱线图所需的统计工具箱，如果未指定箱线图关闭 一如既往，欢迎提出意见和建议！

给定数据点的列向量 X，此函数创建两个向量，一个包含非异常值 Y，另一个包含异常值 out。 用户可以选择两种不同的方法之一，Grubbs的检验统计量或四分位间距法。 用户还可以选择去除异常值时的严格程度。 在这两种方法中，严格程度与参数 alpha 呈负相关（即 alpha 越高，识别和删除的异常值越少）。

一本讲述异常值的分类及其相应处理方法的书籍，里面详细描述了异常值产生的原因和从不同角度解决的办法。

剔除测量数据中异常值的若干方法,

以Lending Club的数据为基础，对数据进行预处理，非常实用，有数据和源码，欢迎大家一起学习进步。

数模专题之异常值的鉴别和修正附程序、数据和讲解

pandas数据的异常值判断、可视化、处理方式 回想一下我们小时候参加唱歌比赛，最后算分的时候总会去掉一个最高分，去掉一个最低分，将剩下的分数进行去平均。这里面就有筛选异常值的思想。一个非常夸张的异常值可能会造成对最后统计结果产生比较大的影响。所以，在这里，我们介绍两种办法来判断异常值，并使用箱线图进行显示。 异常值的判断 1、使用均值和标准差进行判断 mean 为数据的均值 std 为数据的标准差 数据的正常范围为 【mean-2 × std，mean+2 × std】 接下来我们使用代码来看看 import pandas as pd import numpy as np tips = pd

LOF算法：剔除异常值，用于数据量不大，使用简单，并具有可视化功能，可将异常数据在图上显示出来