冷链仓储温控时序异常检测实验：误报抑制

数据分析实验室近期围绕冷链仓储场景，开展了温控时序数据的异常检测实验。实验数据来自某冷链仓储企业 40 个温区、为期 12 个月的温湿度记录，采样间隔 5 分钟。该数据的难点在于化霜周期会引起规律性温度抬升，若不加处理，大量正常波动会被误判为异常告警。团队对比了固定阈值、滑动窗口 3σ 统计与孤立森林三类基线方法，并将化霜周期作为上下文特征引入模型。

初步结果显示：孤立森林结合周期上下文后，误报率由 11.3% 降至 3.8%，漏报率保持在 2% 以内，单日告警条数从 60 余条收敛至 10 条以内，达到可人工复核的规模。

两条阶段性结论：一是上下文特征（化霜、开关门事件）对抑制工业时序误报的贡献大于更换模型本身，特征工程仍应优先于模型升级；二是下一步计划将该方法迁移至药品阴凉库与原料冷藏库，验证跨场景泛化能力，并尝试以少量标注样本进行半监督微调。