论文部分内容阅读
许多传统的变点检测方法,在数据存在异常值时,常会推断出过多变点.本文专注于研究一类基于函数修剪的动态规划变点检测算法,它们可以高效地解决惩罚成本优化问题.本文分别从算法涉及的损失函数、惩罚参数、状态约束三个方面进行均值变点的检测研究,具体研究内容如下.针对异常值存在下均值变点的在线检测问题,研究高效的函数修剪最优分割(Functional Pruning Optimal Partitioning,FPOP)算法及稳健的R-FPOP(RobustFunctional Pruning Optimal Partitioning)算法,基于R-FPOP算法提出路段旅行时间预测方法.模拟结果表明,多种噪声分布下,使用三倍噪声标准差biweight损失的RFPOP算法检测性能较优.实例分析显示,所提方法得到的预测区间平均覆盖率为83.30%,预测效果优良.针对FPOP和R-FPOP算法惩罚参数自适应选择问题,将能在一系列惩罚中找到最优分割的CROPS(Changepoints for a Range of Penalties)算法与维数跳跃算法相结合,提出分段常数模型数据驱动惩罚参数自适应选择算法CROPS-D(Changepoints for a Range of Penalties-Dimension).模拟结果表明,将所提算法与R-FPOP算法相结合,能更有效地检测均值变点.实例分析显示,所提算法能较好地辨识断面交通流量均值突变,在路口交通需求特征挖掘方面具有一定的实用性.针对异常值存在下均值上下跳跃的峰形变点检测问题,研究广义函数修剪最优分割(Generalized Functional Pruning Optimal Partitioning,GFPOP)算法及峰形个数指定下的搜索算法,结合biweight损失提出R-GFPOP(Robust-Generalized Functional Pruning Optimal Partitioning)算法.模拟结果表明,在t分布下,峰形个数指定或未指定情形所提算法检测性能均较优.实例分析显示,指定峰形个数情形下对路段旅行时间高峰时长进行估计,具有一定的实用性.