Zaman serilerindeki değişiklikleri tespit etme (R örneği)

Genellikle aynı şekle sahip zaman serisi verilerindeki değişiklikleri tespit etmek istiyorum. Şimdiye kadar changepointR ve cpt.mean(), cpt.var()ve cpt.meanvar()işlevleri için paketle çalıştım . cpt.mean()PELT yöntemi ile veriler genellikle bir seviyede kaldığında iyi çalışır. Ancak, inişler sırasındaki değişiklikleri de tespit etmek istiyorum. Tespit etmek istediğim bir değişiklik örneği, siyah eğrinin aniden düştüğü, örnek kırmızı noktalı çizgiyi takip etmesi gereken bölümdür. Cpt.var () işlevini denedim, ancak iyi sonuçlar alamadım. Herhangi bir tavsiyeniz var mı (mutlaka R kullanmak zorunda değiller)?

Değişiklik içeren veriler (R nesnesi olarak):

dat.change <- c(12.013995263488, 11.8460207231808, 11.2845153487846, 11.7884417180764, 
11.6865425802022, 11.4703118125303, 11.4677576899063, 11.0227199625084, 
11.274775836817, 11.03073498338, 10.7771805591742, 10.7383206158923, 
10.5847230134625, 10.2479315651441, 10.4196381241735, 10.467607842288, 
10.3682422713283, 9.7834431752935, 9.76649842404295, 9.78257968297228, 
9.87817694914062, 9.3449034905713, 9.56400153361727, 9.78120084558148, 
9.3445162813738, 9.36767436354887, 9.12070987223648, 9.21909859069157, 
8.85136359917466, 8.8814423003979, 8.61830163359642, 8.44796977628488, 
8.06957847272046, 8.37999165387824, 7.98213210294954, 8.21977468333673, 
7.683960439316, 7.73213584532496, 7.98956476021092, 7.83036046746187, 
7.64496198988985, 4.49693528397253, 6.3459274845112, 5.86993447552116, 
4.58301192892403, 5.63419551523625, 6.67847511602895, 7.2005344054883, 
5.54970477623895, 6.00011922569104, 6.882667104467, 4.74057284230894, 
6.2140437333397, 6.18511450451019, 5.83973575417525, 6.57271194428385, 
5.36261938326723, 5.48948831338016, 4.93968645996861, 4.52598133247377, 
4.56372558828803, 5.74515428123725, 5.45931581984165, 5.58701112949141, 
6.00585679276365, 5.41639695946931, 4.55361875158434, 6.23720558202826, 
6.19433060301002, 5.82989415940829, 5.69321394985076, 5.53585871082265, 
5.42684812413063, 5.80887522466946, 5.56660158483312, 5.7284521523444, 
5.25425775891636, 5.4227645808924, 5.34778016248718, 5.07084809927736, 
5.324066161355, 5.03526881241705, 5.17387528516352, 5.29864121433813, 
5.36894461582415, 5.07436929444317, 4.80619983525015, 4.42858947882894, 
4.33623051506001, 4.33481791951228, 4.38041031792294, 3.90012900415342, 
4.04262777674943, 4.34383842876647, 4.36984816425014, 4.11641092254315, 
3.83985887104645, 3.81813419810962, 3.85174630901311, 3.66434598962311, 
3.4281724860426, 2.99726515704766, 2.96694634792395, 2.94003031547181, 
3.20892607367132, 3.03980832743458, 2.85952185077593, 2.70595278908964, 
2.50931109659839, 2.1912274016859)

Zaman serilerindeki değişiklikleri tespit etmek için zaman serisi aykırı algılamasını kullanabilirsiniz. Tsay veya Chen ve Liu'nun prosedürleri popüler zaman serisi aykırı tespit yöntemleridir. Bu sitedeki önceki soruma bakın .

R'nin tsoutlier paketi, aykırı değerleri tespit etmek için Chen ve Liu'nun yöntemini kullanıyor. SAS / SPSS / Autobox da bunu yapabilir. Zaman serisindeki değişiklikleri tespit etmek için R kodu için aşağıya bakın.

library("tsoutliers")
dat.ts<- ts(dat.change,frequency=1)
data.ts.outliers <- tso(dat.ts)
data.ts.outliers
plot(data.ts.outliers)

tsoultlier paketindeki tso işlevi aşağıdaki aykırı değerleri tanımlar. Aykırı değerlerin türünü öğrenmek için belgeleri okuyabilirsiniz.

Outliers:
  type ind time coefhat   tstat
1   TC  42   42 -2.9462 -10.068
2   AO  43   43  1.0733   4.322
3   AO  45   45 -1.2113  -4.849
4   TC  47   47  1.0143   3.387
5   AO  51   51  0.9002   3.433
6   AO  52   52 -1.3455  -5.165
7   AO  56   56  0.9074   3.710
8   LS  62   62  1.1284   3.717
9   AO  67   67 -1.3503  -5.502

paket de güzel araziler sağlar. aşağıya bakınız. Grafik, aykırı değerlerin nerede olduğunu ve aykırı değer olmasaydı ne olacağını gösterir.

Ayrıca seviye değişimlerini tespit etmek için strucchange adında R paketini kullandım . Verilerinize örnek olarak

library("strucchange")
breakpoints(dat.ts~1)

Program kesme noktalarını veya yapısal değişiklikleri doğru bir şekilde tanımlar.

Optimal 4-segment partition: 

Call:
breakpoints.formula(formula = dat.ts ~ 1)

Breakpoints at observation number:
17 41 87 

Corresponding to breakdates:
17 41 87 

Bu yardımcı olur umarım

Bu soruna aşağıdakilerden yaklaşırım perspektiflerden . Bunlar sadece kafamın üstünden bazı fikirler - lütfen onları bir tane tuzla alın. Yine de, bunun faydalı olacağını umuyorum.

• Zaman serisi kümeleme . Örneğin, popüler dinamik zaman atlama (DTW) veya alternatif yaklaşımlar kullanarak. Lütfen ilgili cevaplarıma bakın: sınıflandırma / kümeleme için DTW ve DTW veya eşit olmayan zaman serileri için alternatifler . Buradaki fikir , zaman serilerini "normal" ve "anormal" (veya benzeri) kategorilerine ayırmaktır.

• Entropi önlemleri . Zaman serisi entropi ölçümleri ile ilgili cevabımı görün . Fikir "normal" zaman serilerinin entropi belirlemek ve daha sonra bu fikir bir an varsayımı vardır (diğer zaman serileri ile karşılaştırmaktır entropi sapma "normalliği" sapma durumunda).

• Anomali tespiti . Anomali tespiti ile ilgili cevabımı görün (R kaynaklarını içerir). Fikir etmektir doğrudan (referanslar bakınız) çeşitli yöntemlerle anormallik tespiti. Erken Uyarı Sinyalleri (EWS) Araç kutusu ve Rpaketi earlywarningsözellikle umut vericidir.

AUTOBOX kullanarak yanıtım @forecaster'a oldukça benziyor, ancak çok daha basit bir modelle. Box ve Einstein ve diğerleri, çözümleri basit ama çok basit değil tutmaya yansımışlardır. Otomatik olarak geliştirilen modeldi . Gerçek ve temizlenmiş arsa çok benzer . Kalıntıların (her zaman gösterilmesi gereken) bir arsa, artıkların zorunlu acf'si ile birlikte buradadır . Artıkların istatistikleri, "düello modelleri" arasında karşılaştırma yaparken her zaman faydalıdır . Fiili / Sığdır / Tahmin grafiği burada

Verilerinizi düşürdüğünüzde sorununuz büyük ölçüde basitleştirilecek gibi görünüyor. Doğrusal olarak azalıyor gibi görünüyor. Verileri bir kez saptadığınızda, durağan olmama durumu için çok çeşitli testler uygulayabilirsiniz.

Tüm iyi cevaplar, ancak burada, @MrMeritology tarafından önerildiği gibi, söz konusu zaman serileri için ve diğer birçok "benzer" veri kümesi için iyi çalışıyor gibi görünen basit bir cevap var.

Aşağıda, aşağıdaki açıklayıcı grafikleri üreten bir R sn pasajı bulunmaktadır.

outl = rep( NA, length(dat.change))
detr = c( 0, diff( dat.change))

ix = abs(detr) > 2*IQR( detr)
outl[ix] = dat.change[ix]

plot( dat.change, t='l', lwd=2, main="dat.change TS")
points( outl, col=2, pch=18)

plot( detr, col=4, main="detrended TS", t='l', lwd=2 )
acf( detr, main="ACF of detrended TS")