斯蒂芬·施吕特;米莲娜·克雷索亚 气候时间序列的两种预处理算法。 （英语） Zbl 1521.62467号 J.应用。斯达。 47，第11期，1970-1989（2020）. 总结：我们提出了两种适用于气候时间序列的预处理算法。第一种算法基于自回归成本更新机制来检测异常值。第二种是基于小波变换的模式识别方法。为了对算法的性能进行基准测试，我们将其与基于合成数据集的现有方法进行了比较。最后，出于示例目的，将所提出的方法应用于塞尔维亚诺维萨德的高频温度测量数据集。结果表明，这两种方法共同构成了信号预处理的强大工具：在孤立孤立点的情况下，采用自回归成本更新机制，而基于小波的机制是在存在多个连续异常值的情况下的选择方法。 MSC公司： 62至XX 统计 关键词：数据预处理;离群值;温度;小波 软件：wmtsa公司 PDF格式BibTeX公司 XML格式引用 \textit{S.Schlüter}和\textit{M.Kresoja}，J.Appl。Stat.47，No.11，1970--1989（2020；Zbl 1521.62467） 全文： 内政部 链接 参考文献： [1] Aghabozorgi，S。；Shirkhorshidi，A.S。；Wah，T.Y.，《时间序列聚类——十年回顾》，《信息系统》。，53, 16-38 (2005) ·doi:10.1016/j.is.2015.04.007 [2] 艾哈迈迪，M。；Quiroga，R.Q.，单次试验诱发电位的自动去噪，NeuroImage，66，672-680（2012）·doi:10.1016/j.neuroimage.2012.10.062 [3] 阿胡加，N。；Lertratanapanich，S。；Bose，N.K.，《决定母小波选择的特性》，IEEE Proc。视觉图像信号过程。，152, 659-664 (2005) ·doi:10.1049/ip-vis:20045034 [4] 巴苏，S。；Meckesheimer，M.，《时间序列的自动异常检测：传感器数据的应用》，Knowl。信息系统。，11, 137-154 (2007) ·数字对象标识代码：10.1007/s10115-006-0026-6 [5] 胆汁，C。；Huzurbazar，S.，基于小波的时间序列离群值检测，J.Compute。图解的。《统计》，第11卷，第311-327页（2012年）·doi:10.1198/106186002760180536 [6] Chen，X.Y。；詹义勇，基于时间序列罕见模式的多尺度异常检测算法，J.Compute。申请。数学。，214, 227-237 (2008) ·Zbl 1135.65004号 ·doi:10.1016/j.cam.2007.027 [7] Demirhan，H。；Renwick，Z.，《中短期水平太阳辐照度数据缺失值插补》，Appl。能源，225908-1012（2018）·doi:10.1016/j.开放性.2018.05.054 [8] 多诺霍，D。；Johnstone，I.，《通过小波收缩实现理想空间自适应》，《生物统计学》，第81期，第425-455页（1994年）·Zbl 0815.62019号 ·doi:10.1093/biomet/81.3.425 [9] Duchon，C。；Hale，R.，《气象学和气候学中的时间序列分析：简介》（2012），威利出版社，纽约·Zbl 1276.86001号 [10] 福布斯调查，网址：https://www.forbes.com/sites/gillpress/2016/03/23/data-preparation-most-time-consuming-least-enjoyable-data-science-task-survey-says/#518493966f63。 [11] Gencay，R。；塞尔古克，F。；Whitcher，B.，《小波和其他金融经济滤波方法导论》（2001），学术出版社：普林斯顿大学学术出版社 [12] 格拉内，A。；Veiga，H.，基于小波的金融时间序列离群值检测，计算。统计数据分析。，54, 2580-2593 (2010) ·Zbl 1284.91585号 ·doi:10.1016/j.csda.2009.12.010 [13] 古普塔，M。；高杰。；阿加瓦尔，C。；Han，J.，时间数据的异常检测，Syn。讲座数据挖掘知识。Discovery，5，1-129（2014）·Zbl 1307.62002号 ·doi:10.2200/S00573ED1V01Y201403DMK008 [14] Herwartz，H。；Schlüter，S.，《期货价格的预测信息：基于小波的评估》，J.Forecast。，36, 345-356 (2017) ·Zbl 1397.62414号 [15] 詹森，A。；Cour-Harbo，A.，《数学中的涟漪》，《离散小波变换》（2001），施普林格出版社，柏林·Zbl 0989.42013年 [16] 蒋，M.F。；Tseng，S.S。；Su，C.M.，离群值检测的两阶段聚类过程，模式识别快报。，22, 691-700 (2001) ·Zbl 1010.68908号 ·doi:10.1016/S0167-8655（00）00131-8 [17] Kaiser，G.，《Wavelet友好指南》（1994），Birkhäuser:Birkháuser，波士顿·Zbl 0839.42011号 [18] KD掘金，网址：https://www.kdtruns.com/2014/05/poll-results-data-types-sources-analyzed.html。 [19] Keogh，E.、Lonardi，S.和Chiu，W.，《在线性时间和空间的时间序列数据库中发现令人惊讶的模式》，《第八届ACM SIGKDD国际知识发现和数据挖掘会议论文集》，ACM出版社，纽约，2002年，第550-556页。 [20] Kriechbaumer，T。；安格斯。；帕森斯博士。；Casado，M.R.，《预测金属价格的一种改进的wavelet-ARIMA方法》，《资源政策》，39，32-41（2014）·doi:10.1016/j.resourpol.2013.10.05 [21] Lau，K.M。；Weng，H.，《利用小波变换检测气候信号：如何使时间序列歌唱》，Bull。阿默尔。美托洛尔。《社会学杂志》，762391-2402（1995）·doi:10.1175/1520-0477（1995）076<2391:CSDUWT>2.0.CO；2 [22] Mallat，S.，《信号处理的小波之旅》（2003），学术出版社：曼彻斯特学术出版社 [23] Mudelsee，M.，《气候时间序列分析：经典统计和Bootstrap方法》（2014），施普林格：施普林格，柏林·Zbl 1300.86001号 [24] 珀西瓦尔，D。；Walden，A.，《时间序列分析的小波方法》（2000），剑桥大学出版社：剑桥大学出版社，剑桥·Zbl 0996.62085号 [25] Rahmani，A。；南非阿芙拉。；O.扎鲁。；阿达姆，O。；Koochakzadeh，N。；Kianmehr，K。；lhajj，R。；Rokne，J.，基于图的序列数据离群值检测方法及其在股市和天气数据中的应用，Knowl。基于系统。，61, 89-97 (2014) ·doi:10.1016/j.knosys.2014.02.008 [26] Rassam，医学硕士。；Maarof，医学硕士。；Zainal，A.，无线传感器系统的自适应和在线数据异常检测，Knowl。基于系统。，60, 44-57 (2014) ·doi:10.1016/j.knosys.2014.01.003 [27] Ren，H。；刘，M。；Li，Z。；Pedrycz，W.，时间序列中异常检测的分段聚合模式表示方法，Knowl。基于系统。，135, 29-35 (2017) ·doi:10.1016/j.knosys.2017.07.021 [28] Savić，S.、Luíanin，Z.、Milošević，D.和Kresoja，M.，《第十届国际城市气候会议（ICUC10）中欧城市会议记录与第十四届城市环境研讨会（SUE）中的城市内气温分析》，纽约，2018年8月6日至10日。 [29] Schlüter，S.，《具有动态波动性的日电价长期/短期模型》，《能源经济》。，321074-1081（2010年）·doi:10.1016/j.eneco.2010.06.008 [30] 施吕特，S。；Deuschle，C.，ARIMA时间序列的基于小波的预测——不同方法的经验比较，Manag。经济。，15107-131（2014） [31] 斯托尔尼茨，E.J。；DeRose，T.D。；Salesin，D.H.，《计算机图形的小波：入门》，第1部分，IEEE计算。图形应用。，15, 76-84 (1995) ·doi:10.1109/38.376616 [32] 托伦斯，C。；Compo，G.P.，《小波分析实用指南》，布尔。阿默尔。美托洛尔。Soc.，79，61-78（1998）·doi:10.1175/1520-0477（1998）079<0061:APGTWA>2.0.CO；2 [33] Urban，K.，《椭圆偏微分方程的小波方法》（2009），牛津大学出版社：牛津大学出版社，牛津·Zbl 1158.65002号 [34] Unser，M.，使用样条小波的十大理由，IEEE信号处理。，16, 22-38 (1999) ·数字对象标识代码：10.1109/79.799930 [35] Watson，S.M。；红蕨，E。；克拉克，S。；紧密，M。；Davies，N.，应用于时间序列交通数据的离群值检测的影响方法，J.Appl。Stat.，22，135-149（1995）·doi:10.1080/757584403 [36] 张，H。；Hager，W.，非单调线搜索技术及其在无约束优化中的应用，SIAM J.Opt。，14, 1043-1056 (2004) ·Zbl 1073.90024号 ·doi:10.1137/S10526223403428208 [37] 雅达夫，M。；Roychoudhury，B.，《处理缺失值：R，Knowl中流行插补包的研究》。基于系统。，160, 104-118 (2018) ·doi:10.1016/j.knosys.2018.06.012 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。