Weka是Java中流行的机器学习/数据挖掘程序包。本书http://guidetodatamining.com/可能会有用。它并没有真正解决SVM的问题，但是它确实具有良好的分类算法，并且当然一点也不神秘。

如果您对使用支持向量机感兴趣，那么有一个针对初学者的指南，您可能会发现有用的指南（ http://www.csie.ntu.edu.tw/~cjlin/papers/guide/guide.pdf ）

该指南来自libsvm，后者是一个非常成熟的支持向量机库（ http://www.csie.ntu.edu.tw/~cjlin/libsvm/ ），并且确实具有针对Java的绑定（ http： //www.csie.ntu.edu.tw/~cjlin/libsvm/#java ）

您描述的“智能监视器”完全是时间序列分类。

分类算法很多。它们基本上都采用一个矩阵，其中的行是观察值，列是以某种方式描述观察值的“特征”，以及长度为0或1的长度行的标签矢量。在您的问题中，观察值可能是一分钟的样本，则在遇到性能问题的时间段内，标签向量的值为1，否则为0。

该定义中隐含了需要对数据进行重新采样（必要时使用模式/中位数/平均值），以使每个观察值均被均匀定义，例如秒，分钟或小时。

生成特征是至关重要的部分。我可能会从2个功能开始，即观测值 x_i和x_i-1之间的原始值和（一次） 差值 。我们将这些延迟定义为2。从技术上讲，这4个功能均已实现。每个功能都无法展望未来。对于每个观察，每个特征都必须代表相同的事物。

例如，考虑长度为10的时间序列：

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

如果我们想使用过去两个间隔的滞后来生成一组要素，则时间序列的前两个元素被视为老化样本。我们不能使用与它们相关的观察结果来训练算法。

8行2列的原始值是

[[ 1.,  0.]
 [ 2.,  1.],
 [ 3.,  2.],
 [ 4.,  3.],
 [ 5.,  4.],
 [ 6.,  5.],
 [ 7.,  6.],
 [ 8.,  7.]]

差值

[[ 1.,  1.],
 [ 1.,  1.],
 [ 1.,  1.],
 [ 1.,  1.],
 [ 1.,  1.],
 [ 1.,  1.],
 [ 1.,  1.]])

这些将列堆叠。您可以探索许多其他功能。 滚动平均将是我的下一个选择。

如果您想在将来进行进一步的预测，那么您的训练数据应该与标签向量相距较远。

如果性能不令人满意，请尝试通过在更大的窗口上选择滚动平均值来添加更多功能，或者将来再添加更多功能。改善时序算法性能的一个聪明技巧是包括前一个时间间隔的预测值。

使分类器适合数据的某些早期部分，然后观察其在数据后期的准确性。您可以使用许多分类指标。如果您选择使用输出概率而不是硬1/0的分类器，那么您的选择甚至会扩大。 （分类器的用法也是如此。）

精度和召回率是分类器的直观性能指标。

训练数据的前半部分（早期），然后测试后半部分（以后）。

就算法而言，我将研究逻辑回归。如果性能不令人满意，并且您已经用尽了特征提取选项，我只会在别处查找。

Mallet似乎是完成此任务的良好库。 请参阅此文档。

我最近发现了JSAT ，它看起来很有希望。

有更多特定的时间序列分类方法，这些方法明确考虑了观测值和标签的顺序性质。这是分类对时间序列的通用调整。