Spaces:
Build error
Build error
File size: 6,572 Bytes
c40c447 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 |
"""
Caso de uso para Detección de Anomalías.
Implementa la lógica de aplicación para detectar anomalías
en series temporales usando pronósticos probabilísticos.
"""
from app.domain.services.anomaly_service import AnomalyService
from app.domain.models.time_series import TimeSeries
from app.domain.models.forecast_config import ForecastConfig
from app.application.dtos.anomaly_dtos import (
AnomalyDetectionInputDTO,
AnomalyDetectionOutputDTO,
AnomalyPointDTO
)
from app.utils.logger import setup_logger
logger = setup_logger(__name__)
class DetectAnomaliesUseCase:
"""
Caso de uso: Detección de Anomalías.
Responsabilidad: Detectar anomalías comparando valores observados
con pronósticos probabilísticos.
"""
def __init__(self, anomaly_service: AnomalyService):
"""
Inicializa el caso de uso.
Args:
anomaly_service: Servicio de dominio para detección de anomalías
"""
self.anomaly_service = anomaly_service
logger.info("DetectAnomaliesUseCase initialized")
def execute(self, input_dto: AnomalyDetectionInputDTO) -> AnomalyDetectionOutputDTO:
"""
Ejecuta el caso de uso de detección de anomalías.
Args:
input_dto: Datos de entrada con contexto y valores recientes
Returns:
AnomalyDetectionOutputDTO: Puntos de anomalía detectados
Raises:
ValueError: Si los datos son inválidos
RuntimeError: Si falla la detección
"""
logger.info(
f"Detecting anomalies: {len(input_dto.context_values)} context points, "
f"{len(input_dto.recent_values)} recent points"
)
# Validar entrada
input_dto.validate()
# Convertir DTO a modelos de dominio
context = TimeSeries(
values=input_dto.context_values,
timestamps=input_dto.context_timestamps,
freq=input_dto.freq
)
config = ForecastConfig(
prediction_length=len(input_dto.recent_values),
quantile_levels=[input_dto.quantile_low, 0.5, input_dto.quantile_high],
freq=input_dto.freq
)
# Ejecutar servicio de dominio
try:
anomaly_points = self.anomaly_service.detect_anomalies(
context=context,
recent_observed=input_dto.recent_values,
config=config,
quantile_low=input_dto.quantile_low,
quantile_high=input_dto.quantile_high
)
logger.info(f"Anomaly detection completed")
except Exception as e:
logger.error(f"Anomaly detection failed: {e}", exc_info=True)
raise RuntimeError(f"Anomaly detection failed: {str(e)}") from e
# Convertir a DTOs y calcular severidad
anomaly_dtos = []
for ap in anomaly_points:
severity = self._calculate_severity(ap.z_score, ap.is_anomaly)
dto = AnomalyPointDTO(
index=ap.index,
value=ap.value,
expected=ap.expected,
lower_bound=ap.lower_bound,
upper_bound=ap.upper_bound,
is_anomaly=ap.is_anomaly,
z_score=ap.z_score,
severity=severity
)
anomaly_dtos.append(dto)
# Calcular estadísticas
anomaly_count = sum(1 for a in anomaly_dtos if a.is_anomaly)
total_points = len(anomaly_dtos)
anomaly_rate = anomaly_count / total_points if total_points > 0 else 0.0
# Crear resumen
summary = self._create_summary(anomaly_dtos, input_dto)
logger.info(
f"Anomalies detected: {anomaly_count}/{total_points} "
f"({anomaly_rate*100:.1f}%)"
)
# Crear DTO de salida
output_dto = AnomalyDetectionOutputDTO(
anomalies=anomaly_dtos,
total_points=total_points,
anomaly_count=anomaly_count,
anomaly_rate=anomaly_rate,
summary=summary
)
return output_dto
def _calculate_severity(self, z_score: float, is_anomaly: bool) -> str:
"""
Calcula la severidad de una anomalía basándose en el z-score.
Args:
z_score: Puntuación Z
is_anomaly: Si es anomalía
Returns:
str: Nivel de severidad (normal, low, medium, high)
"""
if not is_anomaly:
return "normal"
if z_score < 1.5:
return "low"
elif z_score < 2.5:
return "medium"
else:
return "high"
def _create_summary(
self,
anomaly_dtos: list,
input_dto: AnomalyDetectionInputDTO
) -> dict:
"""
Crea un resumen de la detección de anomalías.
Args:
anomaly_dtos: Lista de anomalías detectadas
input_dto: Datos de entrada originales
Returns:
dict: Resumen con estadísticas
"""
anomalies_only = [a for a in anomaly_dtos if a.is_anomaly]
if not anomalies_only:
return {
"has_anomalies": False,
"severity_distribution": {"normal": len(anomaly_dtos)},
"max_z_score": 0.0,
"avg_deviation": 0.0
}
# Distribución por severidad
severity_dist = {
"normal": sum(1 for a in anomaly_dtos if a.severity == "normal"),
"low": sum(1 for a in anomaly_dtos if a.severity == "low"),
"medium": sum(1 for a in anomaly_dtos if a.severity == "medium"),
"high": sum(1 for a in anomaly_dtos if a.severity == "high")
}
# Estadísticas de anomalías
max_z_score = max(a.z_score for a in anomalies_only)
avg_deviation = sum(
abs(a.value - a.expected) for a in anomalies_only
) / len(anomalies_only)
return {
"has_anomalies": True,
"severity_distribution": severity_dist,
"max_z_score": round(max_z_score, 2),
"avg_deviation": round(avg_deviation, 2),
"quantile_range": {
"low": input_dto.quantile_low,
"high": input_dto.quantile_high
}
}
|