Presentamos una nueva metodología para la detección de anomalías en datos de series temporales. El método utiliza diagramas de persistencia y distancias de cuello de botella para identificar anomalías. Específicamente, generamos múltiples predictores mediante el bagging aleatorio de los datos (bolsas de referencia), luego para cada punto de datos reemplazamos el punto de datos por un punto elegido al azar en cada bolsa (bolsas modificadas). Los predictores son, entonces, el conjunto de distancias de cuello de botella para los pares de bolsas de referencia/modificadas. Demostramos la estabilidad de los predictores a medida que aumenta el número de bolsas. Aplicamos nuestra metodología a datos de tráfico y medimos el rendimiento para identificar incidentes conocidos.