การย้าย ค่าเฉลี่ย ความผิดปกติ การตรวจสอบ

วิธีทางเรขาคณิตเฉลี่ย Martingale สำหรับการตรวจสอบการเปลี่ยนแปลงในกระแสข้อมูล Bondu, M. Boull: วิธีการดูแลสำหรับการตรวจสอบการเปลี่ยนแปลงในสตรีมข้อมูล การประชุมร่วมกันทางด้านโครงข่ายประสาทเทียม 2011 (IJCNN), หน้า 519 526 (2011) Daniel Kifer, Shai Ben-David, Johannes Gehrke: การตรวจหาการเปลี่ยนแปลงในสตรีมข้อมูล การประชุม VLDB ครั้งที่ 30, โตรอนโต, แคนาดา, หน้า 180-191 (2004) Leszek Czerwonka: การเปลี่ยนแปลงราคาหุ้นเพื่อตอบสนองการคาดการณ์ผลกำไรของ บริษัท ในอนาคต Alexandru Ioan Cuza มหาวิทยาลัย Iasi, Vol. 56, หน้า 81-90 (2009) Q. Siqing, W. Sijing: แบบจำลอง homomorphic เพื่อระบุความผิดปกติแบบทันทีทันใดของผู้เบิกทางถล่มแผ่นดินถล่ม ธรณีวิทยาเชิงวิศวกรรมเล่ม 1 57, หน้า 163168 (2000) CrossRef Wei Xiong, NaixueXiong, Laurence T. Yang ฯลฯ การตรวจจับความผิดปกติของเครือข่ายการจราจรบนพื้นฐานของทฤษฎีความหายนะ IEEE Globecom 2010 การประชุมเชิงปฏิบัติการเรื่องความก้าวหน้าทางด้านการสื่อสารและเครือข่าย, หน้า 2070-2074 (2010) Thomas Hilker Michael A. Wulder Nicholas C. Coops เป็นต้นแบบจำลองข้อมูลใหม่สำหรับการทำแผนที่ความละเอียดและความคมชัดสูงของการรบกวนป่าตาม Landsat และ MODIS การรับรู้สภาพแวดล้อมทางไกลเล่มที่ 4 113, หน้า 16131627 (2009) Ashraf M. Dewan Yasushi Yamaguchi: ใช้ระบบการรับรู้ระยะไกลและ GIS เพื่อตรวจจับและตรวจสอบการใช้ประโยชน์ที่ดินและการเปลี่ยนแปลงพื้นที่ใน Dhaka Metropolitan of Bangladesh ในช่วงปี พ. ศ. 2503 Environ Monit Assess, Vol. 150, หน้า 237-249 (2009) CrossRef Jin S. Deng, KeWang, Yang Hong, Jia G. Qi. Spatio - temporal dynamics และวิวัฒนาการของการเปลี่ยนแปลงการใช้ที่ดินและรูปแบบภูมิทัศน์ในการตอบสนองต่อการกลายเป็นเมืองอย่างรวดเร็ว ภูมิทัศน์และการวางผังเมืองฉบับที่ 4 92, หน้า 187-198 (2009) CrossRef Asampbu Kitamoto: การทำเหมืองข้อมูลแบบ Spatio-Temporal สำหรับการเก็บข้อมูล Typhoon Image วารสารของ Intelligent Information Systems, Vol. 19 (1), pp. 25-41 (2002). เต๋าเฉิง Jiaqiu วัง: แบบบูรณาการ Spatio - ชั่วคราวการทำเหมืองข้อมูลสำหรับการทำนายไฟป่า ธุรกรรมใน GIS ฉบับ 12 (5), หน้า 591-611 (2008) A. Dries และ U. Ruckert: Adaptive Concept Drift Detection ในการประชุม SIAM เกี่ยวกับการทำเหมืองข้อมูล, หน้า 233244 (2009) J. H. Friedman และ L. C Rafsky: generalizations หลายตัวแปรของ Wald-Wolfowitz และ Smirnov ทดสอบสองตัวอย่าง พงศาวดารของสถิติ Vol. 4, หน้า 697717 (2006) F. Nemec, O. Santolik, M. Parrot และ J. J. Berthelier: ข้อสังเกตจากยานอวกาศเกี่ยวกับการรบกวนทางคลื่นแม่เหล็กไฟฟ้าที่เกี่ยวข้องกับการเกิดแผ่นดินไหว จดหมายงานวิจัยธรณีฟิสิกส์ฉบับที่ 4 35 (L05109), หน้า 1-5 (2008) Sheskin, J. J. Handbook ของ Parametric และ Nonparametric Statistical Procedures 2nd ed. CRC Press, Boca Raton, Fla. หน้า 513-727 (2000) W. A. Shewhart: การประยุกต์ใช้สถิติเพื่อช่วยในการรักษาคุณภาพของผลิตภัณฑ์ที่ผลิตขึ้น รองศาสตราจารย์ดร. ฉบับ 20, หน้า 546-548 (1925) CrossRef W. A. Shewhart: การควบคุมคุณภาพทางเศรษฐกิจของสินค้าที่ผลิต am Soc สำหรับการควบคุมคุณภาพ (1931) E. S. หน้า: เกี่ยวกับปัญหาที่มีการเปลี่ยนแปลงพารามิเตอร์ในจุดที่ไม่รู้จัก Biometrika, Vol. 44, หน้า 248-252 (1957) MATH M. A. Girshik และ H. Rubin: วิธีการใช้ Bayes กับแบบจำลองการควบคุมคุณภาพ Annal of Math สถิติ, ฉบับที่ 23 (1), pp. 114-125 (1952) CrossRef Ludmila I. Kuncheva: การตรวจหาการเปลี่ยนแปลงในข้อมูลสตรีมมิ่งหลายสตรีมโดยใช้เครื่องตรวจจับความเป็นไปได้ การทำธุรกรรมของ IEEE เกี่ยวกับความรู้และวิศวกรรมข้อมูลฉบับที่ 6 (1), หน้า 1-7 (2550) F. Chu, Y. Wang และ C. Zaniolo: แนวทางการเรียนรู้แบบปรับตัวสำหรับข้อมูลที่มีเสียงดัง Streams. Proc 4. การทำเหมืองข้อมูลระหว่างประเทศของ IEEE, หน้า 351-354 (2004) J. Z. Kolter และ M. A. Maloof: Dynamic Weighting Majority: วิธีการใหม่ในการติดตาม Drift แนวคิด พร ความสัมพันธ์ระหว่าง IEEE Intl ที่สาม การทำเหมืองข้อมูล, หน้า 123-130 (2003) H. Wang, W. Fan, P. S. Yu และ J. Han: แนวคิดการทำเหมืองข้อมูล - ล่องลอยข้อมูลโดยใช้ Classifier พร ACM SIGKDD, หน้า 226-235 (2003) M. Scholz และ R. Klinkenberg: การเพิ่มตัวจำแนกประเภทสำหรับแนวคิด Drifting การวิเคราะห์ข้อมูลอัจฉริยะฉบับ 11 (1), หน้า 3-28 (2550) R. Klinkenberg: แนวคิดการเรียนรู้ดริฟท์: การเลือกตัวอย่างหรือน้ำหนักตัวอย่างการวิเคราะห์ข้อมูลอัจฉริยะ ปัญหาพิเศษเกี่ยวกับระบบการเรียนรู้ที่เพิ่มขึ้นที่มีความสามารถในการจัดการกับแนวความคิดล่องลอย Vol. 8 (3), pp. 281-300 (2004). R. Klinkenberg และ T. Joachims: การตรวจจับ Drift แนวความคิดด้วยเครื่องเวกเตอร์การสนับสนุน พร ความสัมพันธ์ระหว่างประเทศ 17th การเรียนรู้ด้วยเครื่องพีแลนลีย์เอ็ด pp 487-494 (2000) G. Widmer และ M. Kubat: การเรียนรู้ในการแสดงตนของแนวคิด Drift and Contexts. Machine Learning, Vol. 23 (1), pp 69-101 (1996) Kong Fanlang: วิธีการแบบไดนามิกของการพยากรณ์ระบบ ทฤษฎีระบบและการปฏิบัติทางวิศวกรรมระบบ 19 (3), pp. 58-62 (1999). Kong Fanlang: วิธีการแบบไดนามิกของการพยากรณ์อุณหภูมิอากาศ Kybernetes, ฉบับที่ 33 (2), pp. 282-287 (2004). S. S. Ho, H. Wechsler: กรอบ Martingale สำหรับการตรวจหาการเปลี่ยนแปลงของสตรีมข้อมูลโดยการทดสอบความสามารถในการแลกเปลี่ยน การทำธุรกรรมของ IEEE เกี่ยวกับการวิเคราะห์รูปแบบและปัญญาของเครื่อง Vol. 32 (12), pp 2113-2127 (2010) CrossRef S. Muthukrishnan, E. van den Berg และ Y. Wu: การตรวจจับการเปลี่ยนแปลงตามลำดับต่อข้อมูล Streams, Proc ICDM Workshop ข้อมูลการทำเหมืองแร่และการจัดการกระแสไฟฟ้า, หน้า 551-556 (2007) V. Vovk, I. Nouretdinov, และ A. Gammerman: Testing Exchangeability On-Line พร 20 ความสัมพันธ์ระหว่างประเทศ การเรียนรู้ด้วยเครื่อง, T pp 768-775 (2003) M. Steele: แคลคูลัสเชิงสุ่มและการประยุกต์ใช้ทางการเงิน SpringerVerlag, (2001) E. Keogh, J. Lin และ A. Fu: HOT SAX: หาข้อมูลชุดลำดับเวลาที่ผิดปกติได้อย่างมีประสิทธิภาพ ในรายงานการประชุมนานาชาติครั้งที่ 5 ของ IEEE เรื่องการทำเหมืองข้อมูล (ICDM05), หน้า 226-233 (2005) V. Moskvina และ A. A. Zhigljavsky: อัลกอริทึมบนพื้นฐานของการวิเคราะห์สเปกตรัมเอกพจน์สำหรับการตรวจจับจุดเปลี่ยน การสื่อสารในสถิติ: การจำลองแอมป์การคำนวณ, ฉบับที่ 32 (2), pp 319-352 (2003) MathSciNet MATH CrossRef Y. Takeuchi และ K. Yamanishi: กรอบการทำงานแบบรวมสำหรับการตรวจจับค่าผิดปกติและจุดเปลี่ยนจากข้อมูลชุดเวลาแบบไม่หยุดนิ่ง การทำธุรกรรมของ IEEE เกี่ยวกับความรู้และวิศวกรรมข้อมูลฉบับที่ 18 (4), pp. 482489 (2006). CrossRef F. Desobry, M. Davy และ C. Doncarli: ขั้นตอนวิธีการตรวจหาการเปลี่ยนแปลงเคอร์เนลออนไลน์ ธุรกรรม IEEE ในการประมวลผลสัญญาณ, ฉบับที่ 53 (8), pp. 2961-2974 (2005). MathSciNet CrossRefAnomaly การตรวจจับและคะแนนความผิดปกติข้อสังเกตทางเทคนิคนี้จะอธิบายว่าคะแนนความผิดปกติถูกนำมาใช้และรวมเข้าไปใน CLA (Cortical Learning Algorithm) คะแนนความผิดปกติจะช่วยให้ CLA สามารถระบุเมตริกที่แสดงถึงระดับที่แต่ละเรคคอร์ดสามารถคาดการณ์ได้ ตัวอย่างเช่นถ้าคุณมีรูปแบบแปลก ๆ ชั่วคราวที่คาดการณ์การใช้พลังงานของอาคารแต่ละระเบียนจะมีคะแนนผิดปกติระหว่างศูนย์กับหนึ่ง ศูนย์เป็นค่าที่คาดการณ์ได้อย่างสมบูรณ์ในขณะที่ค่าหนึ่งเป็นค่าที่ผิดปกติอย่างแท้จริง คุณลักษณะคะแนนผิดปกติของ CLA จะถูกนำมาใช้กับส่วนที่เป็นแกนกลางของพื้นที่และเวลาชั่วคราวและไม่จำเป็นต้องมีการเปลี่ยนแปลงขั้นตอนวิธีแบบพูลเลอร์เชิงพื้นที่และการเปลี่ยนแปลงอัลกอริธึมชั่วคราวของพูลเลอร์ ผู้ใช้ต้องระบุรูปแบบเป็น TemporalAnomaly เพื่อให้โมเดลรายงานความผิดปกติ คะแนนความผิดปกติใช้ผู้ให้บริการชั่วคราวเพื่อตรวจสอบจุดใหม่ในลำดับ วิธีนี้จะตรวจจับรูปแบบการป้อนข้อมูลทั้งสองแบบ (เนื่องจากยังไม่เคยเห็นในลำดับใด ๆ ) รวมถึงรูปแบบเชิงพื้นที่เก่าที่เกิดขึ้นในบริบทใหม่ แบบจำลอง TemporalAnomaly คำนวณคะแนนความผิดปกติตามความถูกต้องของการคาดการณ์ก่อนหน้านี้ ค่านี้คำนวณเป็นเปอร์เซ็นต์ของคอลัมน์พูลเลอร์เชิงพื้นที่ที่ใช้งานอยู่ซึ่งได้รับการคาดการณ์โดยผู้ให้พูลชั่วคราวชั่วคราวอย่างไม่ถูกต้อง อัลกอริธึมสำหรับคะแนนความผิดปกติจะเป็นดังนี้: หมายเหตุ ที่นี่คอลัมน์ที่คาดหมายคือคอลัมน์ที่มีค่าความเชื่อมั่นที่ไม่ใช่ศูนย์ นี่ไม่เหมือนกับการมีเซลล์อยู่ในสถานะที่คาดคะเนไว้ สำหรับข้อมูลเพิ่มเติมโปรดดูที่ส่วนที่คาดการณ์ไว้ของเซลล์และความเชื่อมั่นด้านล่าง ดังนั้นคะแนนความผิดปกติของ 1 หมายความว่าเซลล์ที่ทำนายไม่กลายเป็นที่ใช้งานและแสดงถึงบันทึกที่ผิดปกติอย่างสมบูรณ์ คะแนน 0 หมายถึงเซลล์ที่ทำนายไว้ทั้งหมดกลายเป็นงานที่ใช้งานได้และเป็นสถิติที่คาดการณ์ไว้อย่างสมบูรณ์ เหตุผลที่อยู่เบื้องหลังการกำหนดความผิดปกตินี้คือบันทึกที่ไม่ได้คาดการณ์ไว้คือบันทึกใหม่ นี่ถือถ้าเราได้สร้างแบบจำลองการคาดการณ์ที่ดีที่สุดเท่าที่จะเป็นไปได้ซึ่งเราถือว่าเราได้ทำผ่านการฝึกอบรม คะแนนผิดปกตินี้ถูกนำไปใช้กับชุดข้อมูลจำนวนมาก เป็นกลไกหลักที่ใช้ในผลิตภัณฑ์ทางการค้าของ Numentas Grok ในบางกรณีคุณต้องใช้ค่าเฉลี่ยเคลื่อนที่ของคะแนนความผิดปกติมากกว่าเพียงแค่ดูคะแนนความผิดปกติดิบ ใน NuPIC ตัวอย่าง exampleopfclientshotgymanomaly เป็นจุดเริ่มต้นที่ดีสำหรับการตรวจจับความผิดปกติ ดูตัวอย่างชุดนี้สำหรับการจับกลุ่มด้วยโมเดลการตรวจจับความผิดปกติ ความเชื่อมั่นกับเซลล์ที่คาดการณ์ไว้ในการคำนวณความผิดปกติในเวลาชั่วคราวความตั้งใจคือการคำนวณนับเป็นนัยของจำนวนคอลัมน์ที่ใช้งานได้และไม่สามารถคาดการณ์ได้ ในฐานะทางลัดการใช้งานชุดคอลัมน์ที่คาดการณ์ได้คำนวณโดยการดูที่คอลัมน์ที่มีความเชื่อมั่นในคอลัมน์ที่ไม่ใช่ศูนย์ อย่างไรก็ตามภายหลังพบว่าคอลัมน์ที่มีความเชื่อมั่นที่ไม่ใช่ศูนย์ไม่จำเป็นต้องมีเซลล์ที่ทำนายไว้ในคอลัมน์เหล่านี้ หากต้องการคำนวณว่าเซลล์อยู่ในสถานะที่คาดการณ์ไว้หรือไม่เราจะใช้การนับที่ทำงานอย่างหนัก (จำนวนซีนที่ใช้งานอยู่หลังจากพิจารณาเกณฑ์ความคงทน) อย่างไรก็ตามเพื่อคำนวณความเชื่อมั่นสำหรับเซลล์ Temporal Pooler ใช้การนับการทำงานแบบนุ่มนวล (จำนวน synapses ที่ใช้งานโดยไม่คำนึงถึงค่าความคงทน) ดังนั้นชุดของคอลัมน์ที่มีความเชื่อมั่นที่ไม่ใช่ศูนย์จะเป็น superset ของคอลัมน์ที่มีเซลล์ที่คาดการณ์ไว้ เมื่อมีการค้นพบความแตกต่างนี้ (เมษายน 2013) ได้เพิ่มตัวเลือกลงใน CLA เพื่อคำนวณคะแนนผิดปกติจากเซลล์ที่ทำนายแทนที่จะใช้ความเชื่อมั่น การทดลองบางอย่างที่ใช้เซลล์ที่คาดการณ์เพื่อคำนวณคะแนนความผิดปกติถูกเรียกใช้ในการทดลองบางอย่าง อย่างไรก็ตามเนื่องจากการคาดการณ์เหล่านี้เป็นส่วนย่อยของคอลัมน์ที่มีความเชื่อมั่นที่ไม่เป็นศูนย์ผลที่ได้จึงจำเป็นต้องมีผลบวกปลอมมากขึ้น เมื่อถึงเวลาที่ทำการเขียนไม่มีการเปลี่ยนแปลงใด ๆ กับการคำนวณคะแนนผิดปกติจากผลลัพธ์เหล่านี้ คะแนนความผิดปกติยังคำนวณโดยใช้คอลัมน์ confidences นอกจากนี้ยังมีความพยายามบางอย่างในการเพิ่มการตรวจจับความผิดปกติที่ไม่ใช่เวลาในธรรมชาติด้วยการใช้สถานะของพูลเลอร์เชิงพื้นที่ ความผิดปกติที่ไม่ใช่ชั่วคราวถูกกำหนดให้เป็นชุดของฟิลด์ที่ไม่ได้เกิดขึ้นโดยปกติไม่ขึ้นอยู่กับประวัติของข้อมูล เนื่องจากโมเดล NontemporalAnomaly ไม่มีผู้ให้คะแนนแบบชั่วคราวให้คะแนนความผิดปกติขึ้นอยู่กับสถานะภายในพูลเลอร์เชิงพื้นที่ เราคำนวณคะแนนการแข่งขันของแต่ละคอลัมน์ที่ชนะหลังจากการยับยั้งแล้วเพื่อให้ได้คะแนนผิดปกติ (ข้อมูลมีความผิดปกติอย่างไร) เราจะผกผันของการจับคู่ทั้งหมดการเพิ่ม 1 คือการหลีกเลี่ยงการหาร โดย 0 ข้อผิดพลาด จุดประสงค์ของคะแนนความผิดปกตินี้คือการตรวจจับบันทึกอินพุตที่แสดงถึงรูปแบบการป้อนข้อมูลใหม่หรือหายาก (ไม่ขึ้นกับส่วนที่เหลือของลำดับ) หากรูปแบบการป้อนข้อมูลมีคะแนนซ้อนทับต่ำกับคอลัมน์ที่ชนะไม่มีคอลัมน์ใดที่ตรงกับการป้อนข้อมูลเป็นอย่างดีแสดงให้เห็นว่า CLA ไม่เคยเห็นรูปแบบเดียวกันมาก่อนและรูปแบบนี้เป็นนวนิยาย ในทางตรงกันข้ามหากวงจรการทำงานสำหรับรูปแบบที่กำหนดโดยทั่วไปต่ำนี้บ่งชี้ว่ารูปแบบไม่ได้รับการเห็นเป็นเวลานานแสดงให้เห็นว่ามันเป็นของหายาก อัลกอริทึมนี้ทำงานบนชุดข้อมูลเทียมบางรายการ อย่างไรก็ตามผลที่ได้ไม่ได้มีแนวโน้มมากและวิธีการนี้ถูกทอดทิ้ง จากมุมมองทางทฤษฎีเทคนิคการตรวจจับความผิดปกติชั่วคราวเป็นส่วนขยายของเทคนิคนี้ หากรูปแบบคงที่โดยตัวเองเป็นนวนิยายตามคำนิยามผู้ให้บริการชั่วคราวจะไม่ทำให้การคาดการณ์ที่ดีและทำให้คะแนนความผิดปกติชั่วคราวควรสูง ด้วยเหตุนี้จึงไม่ค่อยสนใจในการติดตามเส้นทางนี้โมเดลเฉลี่ยถ่วงน้ำหนักแบบเอ็กซ์โปเนนเชียลเฉลี่ย (EMA) ที่มีการกรองอนุภาคและการตรวจจับที่ผิดปกติ Masafumi Nakano a. Akihiko Takahashi, ข. Soichiro Takahashi a. บัณฑิตวิทยาลัยเศรษฐศาสตร์, University of Tokyo, 7-3-1 Hongo Bunkyo-ku, Tokyo, 113-0033, Japan คณะเศรษฐศาสตร์มหาวิทยาลัยโตเกียว 7-3-1 Hongo Bunkyo-ku, Tokyo, 113- 0033, Japan ได้รับ 15 กันยายน พ. ศ. 2559 แก้ไขเมื่อวันที่ 19 พฤศจิกายน พ. ศ. 2559 ได้รับการยอมรับเมื่อวันที่ 23 ธันวาคม พ. ศ. 2560 มีวางจำหน่ายในวันที่ 28 ธันวาคม พ. ศ. 2560 จุดเด่นเราเสนอแบบจำลองค่าเฉลี่ยเลขคณิตระดับเอ็กซ์เม็ททีเมนต์ใหม่ในกรอบพื้นที่ของรัฐ เราพัฒนาตัวตรวจจับความผิดปกติ 3 ตัวด้วยตัวกรองอนุภาคที่ใช้สำหรับการตัดสินใจลงทุน เราใช้การวิเคราะห์การลงทุนด้วยวิธีของเราโดยใช้ข้อมูลราคาสินทรัพย์ทั่วโลก โครงการของเราดีกว่ากลยุทธ์ที่รู้จักกันดีในทางปฏิบัติซึ่งรวมถึง EMA มาตรฐาน บทความนี้เสนอแบบจำลองค่าเฉลี่ยเคลื่อนที่เชิงตัวเลข (EMA) ซึ่งเป็นรูปแบบความผันผวนแบบสุ่มใหม่ที่มีผลตอบแทนจากการลงทุนในตลาดการเงินที่คาดการณ์ไว้ในแต่ละช่วงเวลา โดยเฉพาะอย่างยิ่งเราใช้ตัวกรองอนุภาค (PF) อย่างมีประสิทธิภาพในการประมาณค่าของรัฐและพารามิเตอร์ตามลำดับในกรอบพื้นที่ของรัฐ นอกจากนี้เรายังพัฒนาเครื่องตรวจจับความผิดปกติสามแบบซึ่งใช้งานง่ายในขั้นตอนวิธี PF เพื่อใช้ในการตัดสินใจลงทุน เป็นผลให้กลยุทธ์การลงทุนที่เรียบง่ายกับโครงการของเราดีกว่ามาตรฐานที่ใช้ EMA มาตรฐานและกลยุทธ์ดั้งเดิมที่รู้จักกันดีเช่นการถ่วงน้ำหนักอย่างเท่าเทียมกันความแปรปรวนต่ำสุดและพอร์ตการลงทุนที่มีความเสี่ยง ชุดข้อมูลของเราคือผลตอบแทนรวมทุกเดือนของสินทรัพย์ทางการเงินทั่วโลกเช่นหุ้นหุ้นกู้และ REIT และการลงทุนมีการประเมินด้วยสถิติต่างๆ ได้แก่ อัตราผลตอบแทนจากการผสมอัตราส่วน Sharpe อัตราส่วน Sortino และการเบิกเงินกู้ การกรองแบบอนุภาคการตรวจจับความผิดปกติการเคลื่อนที่ของค่าเฉลี่ยความถนัดโดยการสุ่มตัวอย่างรูปแบบพื้นที่ของรัฐสินทรัพย์ทางการเงินของโลกความผิดปกติแบบเรื้อรังกับการย้ายการสลายตัวแบบมัธยฐานการแยกชุดข้อมูลซีรีส์เวลาแบ่งชุดเวลาเป็นฤดูกาลตามแนวโน้มและชุดเวลาที่เหลือแบบสุ่ม แนวโน้มและชุดเวลาแบบสุ่มสามารถใช้เพื่อตรวจหาความผิดปกติได้ แต่การตรวจจับความผิดปกติในชุดเวลาผิดปกติอยู่แล้ว isn8217t ง่าย การทำงานกับชุดค่าเวลาผิดปกติ: การตรวจจับความผิดปกติกับการสลายตัวของค่าเฉลี่ยเคลื่อนที่การทำงานของ doesn8217t การตรวจจับความผิดปกติกับการทำงานของการสลายตัวของค่ามัธยฐานของการเคลื่อนที่ปัญหาเกี่ยวกับค่าเฉลี่ยเคลื่อนที่ในการสลายตัวแบบอนุกรมใน R. เราได้เรียนรู้ว่าอัลกอริทึมกำลังใช้ค่าเฉลี่ยเคลื่อนที่เพื่อแยกแนวโน้มของ ชุดเวลา นี้เป็นอย่างดีปรับในชุดเวลาโดยไม่ผิดปกติ แต่เมื่อมีค่าผิดปกติค่าเฉลี่ยเคลื่อนที่จะได้รับผลกระทบไม่ดีเนื่องจากแนวโน้มจะฝังความผิดปกติไว้ ขั้นแรกเราจะตรวจจับความผิดปกติโดยใช้การสลายตัวที่มีค่าเฉลี่ยเคลื่อนที่ เนื่องจาก doesn8217t ทำงานได้ดีเราจะตรวจจับความผิดปกติโดยใช้การสลายตัวกับค่ามัธยฐานที่เคลื่อนที่เพื่อให้ได้ผลลัพธ์ที่ดีขึ้น เกี่ยวกับข้อมูล: webTraffic. csv รายงานจำนวนการดูหน้าเว็บต่อวันในช่วง 103 สัปดาห์ (เกือบ 2 ปี) เพื่อให้น่าสนใจเราเพิ่มความผิดปกติบางอย่าง (พิเศษ) ลงไป เมื่อพิจารณาตามช่วงเวลาเราเห็นฤดูกาลตามฤดูกาล 7 วันเนื่องจากมีการเข้าชมไม่มากในช่วงสุดสัปดาห์ หากต้องการสลายชุดฤดูกาลตามฤดูกาลจำเป็นต้องใช้ช่วงเวลาตามฤดูกาล ในตัวอย่างของเราเราทราบว่าฤดูกาลเป็น 7 วัน หากไม่ทราบคุณสามารถกำหนดฤดูกาลของชุดข้อมูลได้ สุดท้าย แต่อย่างน้อยเราจำเป็นต้องทราบว่าชุดข้อมูลเวลาเป็นแบบเติมเงินหรือแบบทวีคูณ การเข้าชมเว็บของเราเป็นแบบทวีคูณ เพื่อสรุปเกี่ยวกับการเข้าชมเว็บของเรา: Seasonality of 7 days (over 103 weeks) Multiplicative time series ดาวน์โหลดข้อมูล webTraffic. csv lt - read. csv (webTraffic. csv. sep. ส่วนหัว T) days as ตัวเลข (ข้อมูล Visite) pos ชั้น (runif (1. 1. 50)) วัน i 15 pos วัน i 15 pos 1.2 วัน 510 pos 0 พล็อต (เช่น ts (วัน)) การเคลื่อนย้ายการสลายตัวเฉลี่ย (ผลไม่ดี) 1 8211 การสลายตัวเป็น ชุดเวลาเป็นเรื่องผิดปกติในระหว่างการสลายตัวแนวโน้มได้รับผิดอย่างสมบูรณ์ อันที่จริงความผิดปกติจะถูกคำนวณเป็นค่าเฉลี่ยตามแนวโน้ม