基于冗余点压缩的趋势异常序列检测

异常序列作为时间序列的一种特殊模式有着极其重要的作用,但大多数的时间序列利用基于距离的方法进行序列间的相似性度量,忽略了时间序列本身的形态特征。为此,提出了一种基于趋势对比的异常序列检测算法,利用重要点和分段线性相结合的自底向上的线性逼近方法,并以最小化两个目标函数为目的进行相邻分段融合,从而使提取的趋势特征有较高的准确度。而且为了降低提取算法的复杂度问题,对采集到的时间序列先进行道格拉斯-普克算法的冗余点删除,保持序列整体形态的同时从一定程度上减少了计算量。最后通过仿真实验,验证了所提出的检测算法的有效性,不仅提高了检测的准确率,还增强了序列趋势变化观测的直观性。

基于时间序列波动性的分段线性表示方法

为了解决现有时间序列的分段线性表示方法忽略时间序列的全局特征,局限于局部最优的问题,本文通过研究时间序列的趋势,发现了时间序列的波动特性,将时间序列的趋势变化分为上下两层,在上下两层分别剔除趋势保持点.实验结果表明,该分段方法时间复杂度低、且易于实现,在保持时间序列趋势特征的基础上,得到的拟合误差更小.

基于二元分割检测分段线性趋势中的多变点

变点检测问题一直是统计学中的热点研究之一,在实际的数据中,通常会在某一段具有线性增长或减少的趋势,这种趋势的起始点位置是未知的,因此针对此种具有分段线性趋势的一维数据,提出了一种多变点检测方法。该方法根据广义对数似然比所构造出的统计量,将二元分割方法、阈值准则和sSIC三者相结合,能快速有效地检测出数据中的多变点。数值模拟结果表明,对具有分段线性趋势的数据,检测变点的位置及数量很准确,检测结果令人满意。最后以深圳市北环大道新洲立交的车流量数据为例,分析出该区域在工作日和非工作日的变点分布特征,分析结果符合实际情况,可为交管部门的相关工作提供参考意见。