文章 "交易中的神经网络：时间序列的分段线性表示"

新评论
 

新文章 交易中的神经网络：时间序列的分段线性表示已发布：

这篇文章与我以前发表的有些不同。在本文中，我们将谈谈时间序列的另类表示。时间序列的分段线性表示是一种利用涵盖小间隔的线性函数逼近时间序列的方法。

时间序列异常检测是时间序列数据挖掘的一个主要子领域。其目的是识别整个数据集中的意外行为。由于异常通常是因不同机制引发的，故没有特定的准则来检测它们。在实践中，表现出预期行为的数据更倾向于吸引更多关注，而异常数据往往被当作噪声，且通常被忽略或剔除。不过，异常可能包含有用的信息，因此检测此类异常可能很重要。准确的异常检测有助于减轻各个领域中不必要的不利影响，譬如环境、工业、金融、等等。

时间序列中的异常可以分为以下三个类别：

  1. 点异常：一个数据点相对于其它数据点被视为异常。这些异常往往是由测量错误、传感器故障、数据切入错误、或其它意外事件引起的‘；
  2. 上下文异常：一个数据点在特定上下文中被当作异常，但并非如此；
  3. 集体异常：时间序列中表现出异常行为的子序列。这是一项相当艰难的任务，因为若在单独分析时，不能将此类反常现象视为异常。取而代之，该群体的集体行为则是异常。

集体异常可提供有关正在分析的系统、或进程的宝贵信息，因为它们或许示意需要解决的群级问题。因此，检测集体异常在网络安全、金融、和医疗保健等许多领域都是一项重要任务。BPLR 方法的作者专注于识别集体异常的工作。

作者：Dmitriy Gizlyk

新评论