تحريك متوسط كشف الشذوذ

وأود أن كشف عن الشذوذ باستخدام المتوسط ​​المتحرك الأسي المرجح. بالنسبة إلى مثيل الوقت t، سأكون هناك قيمة نقطة البيانات (دب). سيكون ثابت إوما 0.85 (على افتراض). على سبيل المثال، أنا لا أريد أن تأخذ سلسلة من نقاط البيانات في الحساب. في أي وقت مثيل يقول 10، أريد أن أعرف ما إذا كانت نقطة البيانات 300 (في هذه الحالة) هو شذوذ أم لا. لدي أيضا إما (9) 150 و إما (10) 277.5 لحساب (إذا لزم الأمر) هل هناك أي منطق لحساب هذا شكرا مقدما فكرت في المنطق أدناه ولكن ليس متأكدا ما إذا كان سيعمل بالتأكيد دب - داتا بوينت إما - المتوسط ​​المتحرك الموزون الأسي سيكون من الصعب القول أن موانئ دبي هي أو ليست شاذة لأنك لا تعرف كيفية تطوير إما الخاص بك (t-1) هو. أي إذا كان هناك العديد من نقاط البيانات التي جعلت ذلك فإنه سيكون علامة أفضل مما لو كان هناك نقطة واحدة فقط من البيانات الأخرى. إن أحد النهج التي يمكنك اتخاذها هو الحد الأدنى للتغيير. في الأساس إذا كان إما تغييرات أكثر من نسبة كنت تعتبره شذوذا. ولكن هذا يعاني إذا كانت الأرقام الخاصة بك كلها عالية حقا والاختلافات هي صغيرة حقا. ما تحتاجه حقا هو انحراف معياري للكشف عن الحالات الشاذة. هل يمكن أن ننظر في تتبع المحتملة التي كذلك واستخدام ذلك لتحديد أفضل إذا كان لديك شذوذ. إذا كان لديك أي معرفة من البيانات التي عليك أن تعمل مع، تحديث سؤالك للحصول على مساعدة أكثر استهدافا. ردا على البيانات التي أضفتها إم على افتراض تريد 300 أن يكون الشذوذ (قيمك الأخرى كانت 120 و 150). الطريقة التي اقترحتها أعلاه سوف تعمل ولكن إذا كان الرقم بعد 300 هو أكثر طبيعية، ويقول 170 التي من المحتمل أيضا أن تكون علامة على أنه شذوذ. إمهو الوزن كنت وضع على القيم الجديدة هو المفرط. وأود أن تفعل في الاتجاه الآخر: جديد .85 القديم .15 نيودب بدلا من ما لديك من جديد .15 القديم .85 نيودب إذا قمت بتغيير ما أقترح عليك الحصول على نتائج عادلة. واعتمادا على هدفك العام هو تحقيق نتائج عادلة قد يكون كافيا. أسباب لماذا أنا لم تبقي سجل 1.I يجب أن تأخذ بعين الاعتبار القيم القديمة من بداية السلسلة الزمنية، 2.I don39t تريد نموذج يستند إلى نافذة. 3.Also أنا don39t تريد جلب سلسلة البيانات بأكملها لكل مثيل من الوقت لحساب كنت أتساءل عما إذا كان المنطق التالي سوف تعمل في الواقع ولكن ليس متأكدا الشذوذ صحيح إذا: عبس (دب-إما (جديد)) غ 3 سد ( أو) عبس (دب-إما (جديد)) غ 3 إموسد دب - نقطة البيانات إما - المتوسط ​​المتحرك المعتدل الأسي نداش أرافيند يوليو 11 14 في 5: 06A متوسط ​​متحرك هندسي طريقة مارتينغال للكشف عن التغيرات في تيارات البيانات بوندو، M. بول: نهج تحت الإشراف للكشف عن التغيير في تدفق البيانات. المؤتمر الدولي المشترك لعام 2011 بشأن الشبكات العصبية (إجن)، ص 519 526 (2011). دانيال كيفر، شاي بن ديفيد، يوهانس جارك: الكشف عن التغيير في تيارات البيانات. وقائع مؤتمر فلدب الثلاثين، تورونتو، كندا، الصفحات 180-191 (2004). ليزيك تشيرونكا: التغيرات في أسعار الأسهم كاستجابة لتوقعات الأرباح المتعلقة بالأرباح الحقيقية المستقبلية. أليكساندرو إيوان كوزا ونيفرزيتي أوف إاسي، فول. 56، pp.81-90 (2009). Q. سيشينغ، W. سيجينغ: نموذج هومومورفي لتحديد الشذوذ المفاجئ من مسببات الانهيارات الأرضية. الهندسة الجيولوجيا، المجلد. 57، ب. 163168 (2000). كروسرف وي شيونغ، نيكسوكسيونغ، لورانس T. يانغ، إلخ. حركة مرور الشبكة الشذوذ استنادا إلى نظرية الكارثية. ورشة عمل إيي غلوبيكوم 2010 بشأن التقدم في الاتصالات والشبكات، الصفحات 2070-2074 (2010). توماس هيلكر. مايكل A. Wulder. نيكولاس C. كوبس، وما إلى ذلك نموذج جديد الانصهار البيانات لرسم الخرائط المكانية والزمانية عالية من اضطراب الغابات على أساس لاندسات و موديس. الاستشعار عن بعد للبيئة، المجلد. 113، ب. 16131627 (2009). أشرف ديوان. ياسوشي ياماغوتشي: استخدام الاستشعار عن بعد ونظم المعلومات الجغرافية للكشف عن استخدام الأراضي وتغيير الغطاء الأرضي ورصدها في دكا متروبوليتان بنغلاديش خلال عام 1960 2005. إنفيرون مونيت أسيسم، فول. 150، ب. 237-249 (2009). كروسرف جين س. دنغ، كيوانغ، يانغ هونغ، جيا G. Qi. الديناميات المكانية الزمانية وتغير استخدام الأراضي ونمط المناظر الطبيعية استجابة للتحضر السريع. المناظر الطبيعية والتخطيط العمراني، المجلد. 92، ب. 187-198 (2009). كروسرف أسامببو كيتاموتو: استخراج البيانات المكانية الزمانية ل تيفون إيماج Collection. Journal نظم المعلومات الذكية، المجلد. 19 (1)، ب. 25-41 (2002). تاو تشنغ، جياكيو وانغ: المتكاملة البيانات المكانية الزمانية التعدين لتنبؤ حرائق الغابات. المعاملات في نظم المعلومات الجغرافية. المجلد. 12 (5)، ب. 591-611 (2008). A. درايز و U. روكيرت: تكيف مفهوم الانجراف الكشف. في مؤتمر سيام بشأن استخراج البيانات، ص 233244 (2009). J. H. فريدمان و L. C رافسكي: تعميمات متعددة المتغيرات من والد وولفويتز و سميرنوف اختبارين عينة. أنالس أوف ستاتيستيك، فول. 4، ب. 697717 (2006). F. نيميك، O. سانتوليك، M. بارو، J. J. بيرثيلير: رصد المركبات الفضائية من الاضطرابات الكهرومغناطيسية المتصلة بالنشاط الزلزالي. جيوفيزيكال ريزارتش ليترز، فول. 35 (L05109)، pp.1-5 (2008). شيسكين، D. J. هاندبوك أوف بارامتري أند نونبارامتريك ستاتيستيكال بروسدوريس. 2nd إد. كرك بريس، بوكا راتون، فلا. ب. 513-727 (2000). W. A. شيوهارت: تطبيق الإحصاءات كمساعدة في الحفاظ على جودة المنتج المصنعة. Am. Statistician أسوك. المجلد. 20، ب. 546-548 (1925). كروسرف W. A. شيوهارت: التحكم الاقتصادي بجودة المنتج المنتج. صباحا. شركة نفط الجنوب. لمراقبة الجودة، (1931). E. S. الصفحة: حول المشكلة التي يحدث تغيير في معلمة في نقطة غير معروفة. بيوميتريكا، المجلد. 44، ب. 248-252 (1957). ماث M. A. جيرشيك أند H. روبين: A بايس نهج لنموذج مراقبة الجودة، أنال من الرياضيات. الإحصاءات، المجلد. 23 (1)، الصفحات 114-125 (1952). كروسريف لودميلا I. كونشيفا: تغيير الكشف في تدفق البيانات متعددة المتغيرات باستخدام أجهزة كشف الاحتمالات. إيي المعاملات على المعرفة وهندسة البيانات، المجلد. 6 (1)، ب. 1-7 (2007). F. تشو، Y. وانغ، و C. زانيولو: نهج التعلم التكيفي للبيانات صاخبة Streams. Proc. رابعا إيي إنتل Conf. Data مينينغ، ب. 351-354 (2004). J. Z. كولتر و M. A. مالوف: الأغلبية الديناميكية المرجحة: طريقة فرقة جديدة لتتبع مفهوم الانجراف. بروك. الثالث إيي الدولي للمؤتمرات. داتا مينينغ، ب. 123-130 (2003). H. وانغ، W. فان، P. S. يو، أند J. هان: مينينغ كونسيبت-دريفتنغ داتا ستريمز باستخدام تصنيفات المجموعات. بروك. أسم سيكد، ب. 226-235 (2003). M. ششولز أند R. كلينكنبرغ: بوستينغ كلاسيفيرس فور دريفتنغ Concepts. Intelligent داتا أناليسيس، فول. 11 (1)، pp.3-28 (2007). R. كلينكنبرغ: تعلم المفاهيم الانجراف: أمثلة اختيار مقابل مثال الترجيح، تحليل البيانات الذكي. عدد خاص على أنظمة التعلم الإضافية قادرة على التعامل مع مفهوم الانجراف، المجلد. 8 (3)، ب. 281-300 (2004). R. كلينكنبرغ و T. جواشيمز: الكشف عن مفهوم الانجراف مع دعم ناقلات الآلات. بروك. المؤتمر الدولي السابع عشر. ماشين ليارنينغ، P. لانغلي، إد. ب. 487-494 (2000). G. ويدمر و M. كوبات: التعلم في وجود مفهوم الانجراف والمخفي السياق. ماشين التعلم، المجلد. 23 (1)، ب. 69-101 (1996). كونغ فانلانغ: طريقة ديناميكية لتوقعات النظام. هندسة النظم النظرية والتطبيق، المجلد. 19 (3)، pp.58-62 (1999). كونغ فانلانغ: طريقة ديناميكية لتنبؤات درجة حرارة الهواء. كيبرنيتس، المجلد. 33 (2)، pp.282-287 (2004). S. S. هو، H. ويشسلر: A مارتينغال فروم فور ديتكتينغ تشانجس إن داتا ستريمز بي تستينغ إكسهانجابيليتي. معاملات إيي على تحليل نمط والاستخبارات الجهاز، المجلد. 32 (12)، ب. 2113-2127 (2010). كروسرف S. موثكريشنان، E. فان دن بيرغ، و Y. وو: كشف التغيير المتسلسل على تيارات البيانات، بروك. إيسدم وركشوب داتا ستريم مينينغ أند ماناجيمنت، ب. 551-556 (2007) V. فوفك، I. نوريتدينوف، أند A. غامرمان: تستينغ إكسهانجابيليتي أون-لين. بروك. المؤتمر الدولي العشرين. آلة التعلم، T. ب. 768-775 (2003). M. ستيلي: حساب التفاضل والتكامل العشوائي والتطبيقات المالية. سبرينجيرفيرلاغ، (2001). E. كيوغ، J. لين، و A. فو: هوت ساكس: كفاءة العثور على السلاسل الزمنية الأكثر غرابة. في وقائع المؤتمر الدولي الخامس لتقييس البيانات (ICDM05)، الصفحات 226-233 (2005). V. موسكفينا و A. A. زيغلجافسكي: خوارزمية تستند إلى تحليل الطيف المفرد للكشف عن نقطة التغيير. الاتصالات في الإحصاء: محاكاة أمبير الحساب، المجلد. 32 (2)، pp.319-352 (2003). ماثسينيت ماث كروسرف Y. تاكيوتشي و K. يامانيشي: إطار موحد للكشف عن القيم المتطرفة ونقاط التغيير من بيانات السلاسل الزمنية غير الثابتة. إيي المعاملات على المعرفة وهندسة البيانات، المجلد. 18 (4)، pp.4482489 (2006). كروسرف F. ديسوبري، M. ديفي، و C. دونكارلي: على الانترنت نواة خوارزمية الكشف عن التغيير. معاملات إيي على معالجة الإشارات، المجلد. 53 (8)، ب. 2961-2974 (2005). ماثسينيت كروسرفدكتيكت الشذوذ مع تحريك متوسط ​​التحلل انقسام سلسلة زمنية تقسيم سلسلة زمنية في الموسمية، واتجاه وسلسلة زمنية متبقية عشوائية. ويمكن استخدام الاتجاه والسلاسل الزمنية العشوائية على حد سواء للكشف عن الحالات الشاذة. ولكن الكشف عن الحالات الشاذة في سلسلة زمنية شاذة بالفعل isn8217t سهلة. العمل على سلسلة زمنية شاذة: الكشف عن الشذوذ مع تحلل متوسط ​​متحرك يعمل dnn1217t العمل الكشف عن الشذوذ مع التحرك المتوسط ​​التحلل يعمل المشكلة مع المتوسط ​​المتحرك في التحلل السلاسل الزمنية في R. علمنا أن الخوارزمية تستخدم المتوسط ​​المتحرك لاستخراج اتجاهات السلاسل الزمنية. هذا هو على ما يرام تماما في سلسلة زمنية دون الشذوذ. ولكن في ظل وجود القيم المتطرفة، يتأثر المتوسط ​​المتحرك بشدة حيث أن الاتجاه يتضمن الشذوذ. أولا، سنكتشف الشذوذ باستخدام التحلل مع المتوسط ​​المتحرك. كما أنها لا تعمل بشكل جيد 8217t، ونحن سوف كشف الشذوذ باستخدام التحلل مع المتوسط ​​المتحرك للحصول على نتائج أفضل. حول البيانات: webTraffic. csv تقرير عدد عرض الصفحة في أيام على مدى فترة 103 أسابيع (ما يقرب من 2 سنوات). لجعلها مثيرة للاهتمام، نضيف بعض الشذوذ (اضافية) لذلك. وبالنظر إلى السلاسل الزمنية، نرى بوضوح موسمية من 7 أيام كما هو أقل حركة المرور في عطلة نهاية الأسبوع. ولتحليل سلسلة زمنية موسمية، يلزم وجود فترة زمنية موسمية. في مثالنا، نعلم أن الموسمية ستكون 7 أيام. إذا كان غير معروف، فمن الممكن لتحديد الموسمية من سلسلة زمنية. وأخيرا وليس آخرا، نحتاج إلى معرفة ما إذا كانت السلسلة الزمنية مضافة أو مضاعفة. حركة المرور على شبكة الإنترنت هو مضاعفة. ملخص عن حركة المرور على شبكة الإنترنت: موسمية من 7 أيام (أكثر من 103 أسابيع) سلسلة الوقت المضاعف تحميل webTraffic. csv البيانات لتر - قراءة. كسف (webTraffic. csv. سيب، رأس T) أيام. (1. 50) أيام (15) أيام (15) يوم (15) يوم (أيام) 15 يوم (5 أيام) 510 نقاط البيع (أيام)) تحريك متوسط ​​التحلل (نتيجة سيئة) 1 8211 التحلل على النحو التالي وسلسلة زمنية غير طبيعي خلال التحلل الاتجاهات الحصول على خطأ تماما. والواقع أن الشذوذ متوسط ​​في هذا الاتجاه.