Сегментация временных рядов - Time-series segmentation - Wikipedia

Сегментация временных рядов это метод анализ временных рядов в котором входной временной ряд разделен на последовательность дискретных сегментов, чтобы выявить основные свойства его источника. Типичное применение сегментации временных рядов: дневник спикера, в котором аудиосигнал разбивается на несколько частей в зависимости от того, кто в какое время говорит. Алгоритмы на основе обнаружение точки изменения включают скользящие окна, методы снизу вверх и сверху вниз.^[1] Вероятностные методы на основе скрытые марковские модели также оказались полезными в решении этой проблемы.^[2]

Обзор проблемы сегментации

Часто бывает, что Временные ряды можно представить в виде последовательности дискретных отрезков конечной длины. Например, траектория фондовый рынок могут быть разделены на регионы, которые лежат между важными мировыми событиями, входом в распознавание почерка Приложение могло быть сегментировано на различные слова или буквы, из которых оно, как предполагалось, состояло, или аудиозапись конференции могла быть разделена в зависимости от того, кто и когда говорит. В последних двух случаях можно воспользоваться тем фактом, что присвоение ярлыков отдельным сегментам может повторяться (например, если человек выступает в нескольких разных случаях во время конференции), пытаясь кластер сегменты в соответствии с их отличительными свойствами (например, спектральный содержание голоса каждого говорящего). Есть два общих подхода к этой проблеме. Первый предполагает поиск изменить точки во временном ряду: например, можно назначить границу сегмента всякий раз, когда есть большой скачок среднего значения сигнала. Второй подход предполагает предположение, что каждый сегмент во временном ряду генерируется системой с различными параметрами, а затем определение наиболее вероятных местоположений сегментов и параметров системы, которые их описывают. В то время как первый подход имеет тенденцию искать изменения только в короткий промежуток времени, второй подход обычно учитывает весь временной ряд при принятии решения, какую метку присвоить данной точке.

Алгоритмы сегментации

Скрытые марковские модели

Под скрытая марковская модель, временной ряд ${\displaystyle {\boldsymbol {y}}_{1:T}=({\boldsymbol {y}}_{1},...,{\boldsymbol {y}}_{T})}$ предполагается, что они были сгенерированы при переходе системы между набором дискретных скрытых состояний ${\displaystyle z\in \{1,2,...,n\}}$. Каждый раз ${\displaystyle t}$, образец ${\displaystyle {\boldsymbol {y}}_{t}}$ берется из распределения наблюдения (или излучения), индексированного текущим скрытым состоянием, т. е. ${\displaystyle {\boldsymbol {y}}_{t}\sim P_{z_{t}}({\boldsymbol {y}}_{t})}$. Задача задачи сегментации состоит в том, чтобы каждый раз вывести скрытое состояние, а также параметры, описывающие распределение излучения, связанного с каждым скрытым состоянием. Скрытые параметры последовательности состояний и распределения выбросов можно узнать с помощью Алгоритм Баума-Велча, который является вариантом максимизация ожидания применяется к HMM. Обычно в задаче сегментации предполагается, что вероятность самоперехода между состояниями высока, так что система остается в каждом состоянии в течение значительного времени. Более надежные методы обучения параметрам включают размещение иерархический процесс Дирихле априоры над матрицей перехода HMM.^[3]

Смотрите также

• Обнаружение шагов

Рекомендации

1. Keogh, Eamonn и др. "Сегментирование временных рядов: обзор и новый подход. "Интеллектуальный анализ данных в базах данных временных рядов 57 (2004): 1-22.
2. Фокс, Эмили Б. и др. "HDP-HMM для систем с сохранением состояния. »Материалы 25-й международной конференции по машинному обучению. ACM, 2008.
3. Тех, Йи Уай и др. "Иерархические процессы дирихле. »Журнал Американской статистической ассоциации 101.476 (2006).