許多傳統(tǒng)的變點(diǎn)檢測(cè)方法,在數(shù)據(jù)存在異常值時(shí),常會(huì)推斷出過(guò)多變點(diǎn).本文專(zhuān)注于研究一類(lèi)基于函數(shù)修剪的動(dòng)態(tài)規(guī)劃變點(diǎn)檢測(cè)算法,它們可以高效地解決懲罰成本優(yōu)化問(wèn)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(gè)方面進(jìn)行均值變點(diǎn)的檢測(cè)研究,具體研究?jī)?nèi)容如下.針對(duì)異常值存在下均值變點(diǎn)的在線檢測(cè)問(wèn)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(shí)間預(yù)測(cè)方法.模擬結(jié)果表明,多種噪聲分布下,使用三倍噪聲標(biāo)準(zhǔn)差biweight損失的RFPOP算法檢測(cè)性能較優(yōu).實(shí)例分析顯示,所提方法得到的預(yù)測(cè)區(qū)間平均覆蓋率為83.30%,預(yù)測(cè)效果優(yōu)良.針對(duì)FPOP和R-FPOP算法懲罰參數(shù)自適應(yīng)選擇問(wèn)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(dòng)懲罰參數(shù)自適應(yīng)選擇算法C...

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)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(shí)現(xiàn)遞推函數(shù)修剪,將式(2.2)最小化問(wèn)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(duì)FPOP和R-FPOP算法性能的影響,分別考慮噪聲分布為標(biāo)準(zhǔn)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(shí)序.采用BIC懲罰=2^2log(....

圖2.4路段旅行時(shí)間R-FPOP均值變點(diǎn)在線檢測(cè)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(cè)精度較高,這說(shuō)明提出的預(yù)測(cè)方法具有一定的實(shí)時(shí)性與有效性.圖2.4路段旅行時(shí)間R-FPOP均值變點(diǎn)在線檢測(cè)結(jié)果圖2.5路段旅行時(shí)間預(yù)測(cè)區(qū)間示例24

圖2.5路段旅行時(shí)間預(yù)測(cè)區(qū)間示例

行預(yù)測(cè)方法說(shuō)明,時(shí)段[07:50,08:00)內(nèi)依次檢出在線變點(diǎn)07:12、07:48、07:48、07:48、07:48,根據(jù)前述路段旅行時(shí)間預(yù)測(cè)方法,依次計(jì)算得到預(yù)測(cè)值80.18、59.00、136.25、125.17、125.13,標(biāo)準(zhǔn)差14.21、14.21....

本文編號(hào)：4006543