• 论文 • 上一篇    下一篇

ARMAX时间序列模型异常点及异常点斑片的估计和检测

陈平(1), 陈钧(2)   

  1. (1)东南大学数学系, 南京 210096;(2)中国电器科学研究院广州威凯检测技术研究院能力验证部, 广州 510663
  • 收稿日期:2009-03-02 修回日期:2010-02-04 出版日期:2010-10-25 发布日期:2011-10-14

陈平;陈钧. ARMAX时间序列模型异常点及异常点斑片的估计和检测[J]. 系统科学与数学, 2010, 30(10): 1323-1333.

CHEN Ping;CHEN Jun. Estimation and Detection of Outliers and Patches in ARMAX Time Series Models[J]. Journal of Systems Science and Mathematical Sciences, 2010, 30(10): 1323-1333.

Estimation and Detection of Outliers and Patches in ARMAX Time Series Models

CHEN Ping(1), CHEN Jun(2)   

  1. (1)Department of Mathematics, Southeast University, Nanjing 210096;(2)China National Electric Apparatus Research Institute, Guangzhou 510663
  • Received:2009-03-02 Revised:2010-02-04 Online:2010-10-25 Published:2011-10-14
将通常的Gibbs抽样和自适应的Gibbs抽样算法用于带有外生变量的自回归移动平均时间序列(ARMAX)模型的Bayes分析,首先采用一些方法消除ARMAX模型中输入(外生变量)序列的影响,然后在前人工作的基础上给出了一种类似的挖掘相应时间序列中的异常点及异常点斑片的方法.说明了自适应的Gibbs抽样算法也能够有效地检测ARMAX模型中孤立的附加型异常点及异常点斑片.实际的和模拟的结果也显示这些方法可以明显减少掩盖和淹没现象的发生,这是对已有工作的推广和扩充.
In this paper, the usual Gibbs sampler and adaptive Gibbs sampler are used in the Bayesian analysis of autoregressive moving average with exogenous variable
(ARMAX) time series models. Firstly, some methods are used to delete the
influence of input process in ARMAX model, and then the method of mining outliers
and patches in time series based on the former work is given. It is shown that the adaptive Gibbs sampler is also useful in handling additive isolated outliers and outlier patches in ARMAX model. Practical and simulation studies also show that the procedure can reduce possible masking and swamping effects, and hence improve the existing methods.

MR(2010)主题分类: 

()
[1] 李萍,倪志伟,朱旭辉,宋娟. 基于改进萤火虫算法的SVR空气污染物浓度预测模型[J]. 系统科学与数学, 2020, 40(6): 1020-1036.
[2] 赵尚威,周建红. 中国港口集装箱吞吐量预测:基于组合时间序列[J]. 系统科学与数学, 2018, 38(2): 210-219.
[3] 嵇敏,范玉涛,谢福鼎. 一种基于正交函数系的时间序列聚类方法[J]. 系统科学与数学, 2016, 36(1): 53-60.
[4] 郑晶,王应明,蓝以信. 考虑决策者心理行为的多时期应急决策方法[J]. 系统科学与数学, 2015, 35(5): 545-555.
[5] 安海岗,都沁军,张永礼. 基于复杂网络的时间序列单变量波动幅度研究[J]. 系统科学与数学, 2015, 35(2): 158-169.
[6] 蓝以信,王应明. 考虑决策者时间偏好的多时期综合效率评价[J]. 系统科学与数学, 2014, 34(3): 257-272.
[7] 蓝以信,王应明. 考虑决策者时间偏好的多时期综合效率评价[J]. 系统科学与数学, 2014, 34(3): 257-272.
[8] 魏岳嵩,田铮. 多维时间序列Granger因果性的一种图模型学习方法[J]. 系统科学与数学, 2011, 31(5): 549-557.
[9] 李海芬;汤银才. 对数稳定分布加速寿命试验的贝叶斯分析[J]. 系统科学与数学, 2011, 31(4): 448-457.
[10] 汤银才;侯道燕. 三参数Weibull分布参数的Bayes估计[J]. 系统科学与数学, 2009, 29(1): 109-115.
[11] 张梦瑶 崔晋川. 基于时间序列法的国税月度收入预测模型研究[J]. 系统科学与数学, 2008, 28(11): 1383-1390.
[12] 罗乔林. 正态AR(1)模型参数极大似然估计的精确解[J]. 系统科学与数学, 1996, 16(4): 344-351.
[13] 卢祖帝. 关于双重时序AR-MA模型的相关结构及与ARMA模型的比较[J]. 系统科学与数学, 1995, 15(3): 222-230.
[14] 文新辉;陈开周;牛明洁. 一种新的昆虫神经网络预测预报方法[J]. 系统科学与数学, 1995, 15(1): 64-074.
阅读次数
全文


摘要