許多傳統(tǒng)的變點檢測方法,在數(shù)據(jù)存在異常值時,常會推斷出過多變點.本文專注于研究一類基于函數(shù)修剪的動態(tài)規(guī)劃變點檢測算法,它們可以高效地解決懲罰成本優(yōu)化問題.本文分別從算法涉及的損失函數(shù)、懲罰參數(shù)、狀態(tài)約束三個方面進行均值變點的檢測研究,具體研究內(nèi)容如下.針對異常值存在下均值變點的在線檢測問題,研究高效的函數(shù)修剪最優(yōu)分割(Functional Pruning Optimal Partitioning,FPOP)算法及穩(wěn)健的R-FPOP(RobustFunctional Pruning Optimal Partitioning)算法,基于R-FPOP算法提出路段旅行時間預(yù)測方法.模擬結(jié)果表明,多種噪聲分布下,使用三倍噪聲標準差biweight損失的RFPOP算法檢測性能較優(yōu).實例分析顯示,所提方法得到的預(yù)測區(qū)間平均覆蓋率為83.30%,預(yù)測效果優(yōu)良.針對FPOP和R-FPOP算法懲罰參數(shù)自適應(yīng)選擇問題,將能在一系列懲罰中找到最優(yōu)分割的CROPS(Changepoints for a Range of Penalties)算法與維數(shù)跳躍算法相結(jié)合,提出分段常數(shù)模型數(shù)據(jù)驅(qū)動懲罰參數(shù)自適應(yīng)選擇算法C...

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.1FPOP函數(shù)修剪思想示例

圖2.1FPOP函數(shù)修剪思想示例為實現(xiàn)遞推函數(shù)修剪,將式(2.2)最小化問題作如下分解*()=min[min≤1(),()]=min[min≤1....

圖2.3模擬數(shù)據(jù)示例(一)

貴州大學(xué)碩士學(xué)位論文圖2.3模擬數(shù)據(jù)示例(一)為研究厚尾噪聲對FPOP和R-FPOP算法性能的影響,分別考慮噪聲分布為標準正態(tài)、(5)、(10)、(15)、(20)的情形.圖2.3給出了前兩種分布的示例時序.采用BIC懲罰=2^2log(....

圖2.4路段旅行時間R-FPOP均值變點在線檢測結(jié)果

集上路段Ⅰ、路段Ⅱ平均覆蓋率分別為83.15%、83.44%,整體平均覆蓋率為83.30%,預(yù)測精度較高,這說明提出的預(yù)測方法具有一定的實時性與有效性.圖2.4路段旅行時間R-FPOP均值變點在線檢測結(jié)果圖2.5路段旅行時間預(yù)測區(qū)間示例24

圖2.5路段旅行時間預(yù)測區(qū)間示例

行預(yù)測方法說明,時段[07:50,08:00)內(nèi)依次檢出在線變點07:12、07:48、07:48、07:48、07:48,根據(jù)前述路段旅行時間預(yù)測方法,依次計算得到預(yù)測值80.18、59.00、136.25、125.17、125.13,標準差14.21、14.21....

本文編號：4006543