1、時間序列的觀察值有時會受到異常事件干擾或者誤差的影響，這樣就會造成與真實現(xiàn)象不符合的結果，從而會導致觀察值的異常態(tài)勢，以致與時間序列中的大多數(shù)的觀察值不一致.我們稱這些不正常的觀察值為異常值或異常點，它們很可能由不正常的其他事件引起，比如：工廠工人的罷工、天氣因素的突變等，或者僅僅是由于工作人員的記錄或采集的錯誤.異常數(shù)據(jù)有時可能足具有特殊意義的數(shù)據(jù)，它們往往能夠提供更多其他有用的信息，檢測異常點是我們發(fā)現(xiàn)新知識、確定新狀態(tài)的有力手段，

2、因此，異常點的檢測和分析是一項十分有意義、至關重要的數(shù)據(jù)檢測任務.
　　 1972年Fox的一篇開創(chuàng)性的論文是關于ARMA模型時間序列中的異常點的檢測方法，后來已廣泛展開，迄今為止，對于線性時間序列模型中的單個異常點的檢測已經得到很好的解決.但是，如果異常點在數(shù)據(jù)中成片出現(xiàn)時，在檢測過程中往往就會伴有“掩蓋”和“淹沒”現(xiàn)象的發(fā)生，使得我們在檢測異常點時會遇到很多的困難.至今，對于成片異常點的檢測仍然是一個有待進一步解決的問題，<