時間序列數據突變檢測方法

⑴ 請問用DPS做時間序列突變圖時怎麼把橫坐標改成需要的年份

先在EXCEL工作表中按以上格式錄入數據（左上角的「年份/序號」不用錄入，不影響結果） 然後選擇整個數據區域 點擊菜單：插入-圖表 在出現的窗口中選擇「折線圖」 大功告成！

⑵ origin可以做mk突變檢驗嗎

不可以。
可以用MATLAB軟體做，輸入代碼就可以實現。
1、Mann-Kendall突變檢測方法的簡要計算步驟：計算順序時間序列的秩序列，按照上述公式計算UFk。
2、計算逆序時間序列的秩序列，按照上述公式計算UBr
3、給定顯著性水平，如a=0.05，對於臨界值為Uo.os=加1.96，將UFr與UBx兩個統計量序列曲線與Uo.os=土1.96兩條直線繪制在-一個平面直角坐標繫上。另外，a=0.10對應U0.10=加1.28，u=0.01對應U0.01=士2.32。分析繪制出的UFr與UBk曲線圖，若UFr或UBk的值大於0，則表明序列呈上升趨勢，小於0則呈下降趨勢。當它們超出臨界直線時，表明上升或下降趨勢顯著。超過臨界線的范圍確定為出現突變的時間區域。若UFx與UB，兩條曲線出現交叉點，且交叉點在臨界線之間，它們交叉點對應的時刻便是突變開始的時間。

⑶ 我用spss進行時間序列預測，預測出來的結果怎麼檢驗他的准確性和穩定性

用spss進行時間順序預測預測出來的結果和檢測它的准確性決定性的話，這個東西它只是一個參考作用而已，並沒有一個實際的這個科學性而言，所以說如果把它檢測出了這個成本的話，也不用去太在意它，它只不過是一個參考數據而已。

⑷ 單變數序列尖點突變模型

在煤層底板突水預測的實際問題中，往往是在煤層底板中埋設感測器，觀測采動過程中底板岩層中的應力（或位移、變形、滲透性、承壓水水壓等參數）變化過程，得到上述某一參數s按一定時間間隔排列的序列：

圖7.14 水位變化曲線

s₁，s₂，s₃，…s_n

因為該時間序列作為煤層底板岩體系統演化過程的物理—力學響應，是諸影響突水的因素相互作用的綜合反映，它蘊藏著參與運動的全部變數的痕跡，也必然包含了煤層底板突水演化過程的突變特徵信息。因此，可用突變理論中的尖點突變方法來提取其特徵信息，並利用所提取的特徵信息來檢測系統是否突變及系統突變程度，從而有望為工作面煤層底板突水危險性的預測提供新的認識。

7.4.2.1 礦山壓力預測實例

下面利用單變數序列尖點突變模型來分析13268工作面的礦壓變化所隱含的煤礦底板突變信息。僅對1通道分析，見圖7.15。

圖7.15 10月23日礦山壓力變化曲線

圖7.15中橫坐標為觀測站距動態推進的工作面的時間。從圖中可知，底板應力曲線也出現了4次大的劇烈變化，分別發生在4∶45、16∶55、19∶45、21∶25。

以下根據圖7.15所示礦壓P變化曲線，應用突變理論辨識該工作面底板岩體系統的穩定性，即突水的可能性^［68］。式（7.9）為P隨測點與10月份每天每小時變化的級數形式：

煤礦底板突水

由式（6.38）可得式（6.41）中各項系數如下：

煤礦底板突水

於是可得u＝－3.5×10⁸，v＝－6.39×10⁹，然後根據式（7.31）得到Δ＞0，因此，可以判斷該工作面不存在底板突水危險。

依靠此方法，如果現場能夠提供6^＃、8^＃、9^＃監測數據，同樣可以計算出6^＃、8^＃、9^＃煤層底板的Δ值。並判斷是否存在底板突水危險。這樣為下一步展開工作提供了理論依據和工作方法。

7.4.2.2 水壓預測實例

根據資料整理，萬年礦1965年～2004年6月份與10月份的南銘河奧灰水位數據見圖7.16，取6月份水位數據建立的多項式回歸模型（n＝4）：

圖7.16 南洺河奧灰水位擬合圖

煤礦底板突水

由式（6.38）可得式（6.41）中各項系數如下：

煤礦底板突水

該模型的擬合值與實際差值及誤差百分比一並見圖7.16。由圖可知，該模型的相對誤差為0.25％～10％，擬合精度是令人滿意的。

應用突變理論判據可得u＝－3.8×10⁹，v＝5.5×10¹⁰，b₄＞0，然後根據式（7.31）得到Δ＜0，即為突變形態。事實上，萬年礦的6^＃、9^＃受奧灰水影響較大，但煤層還未回採，一旦回採就有可能出現底板突水的危險。利用此理論判據為煤層開采工作提供了科學依據。

⑸ 一文讀懂深度學習時序分析

作者 | Prakhar Ganesh

編譯 | 安然

近日，發表在《DataScience》上的一篇文章，使用深度學習方法，從數據處理、循環網路、RNN上的LSTM、CNN-LSTMs等方面介紹了時間序列分析，同時解釋了時間序列的概念以及為什麼選擇深度學習的方法等問題。

什麼是時間序列分析？

時間序列是一系列數據點，使用時間戳進行排序，是對時間序列數據的分析。

從水果的每日價格到電路提供的電壓輸出的讀數，時間序列的范圍非常大，時間序列分析的領域也是如此。分析時間序列數據通常側重於預測，但也可以包括分類，聚類，異常檢測等。

例如，通過研究過去的價格變化模式，可以嘗試預測曾經想要購買的一款手錶的價格，判斷它的最佳購買時間！

為什麼選擇深度學習？

時間序列數據可能非常不穩定且復雜。深度學習方法不假設數據的基本模式，而且對雜訊(在時間序列數據中很常見)的魯棒性更強，是時間序列分析的首選方法。

數據處理

在繼續進行預測之前，重要的是首先以數學模型可以理解的形式處理數據。通過使用滑動窗口切出數據點，可以將時間序列數據轉換為監督學習問題。然後，每個滑動窗口的預期輸出是窗口結束後的時間步長。

循環網路

循環網路一種復雜的深度學習網路。它們可以記住過去，因此是序列處理的首選。RNN單元是循環網路的骨幹。

RNN單元具有2個傳入連接，即輸入和先前狀態。同樣，它們還具有2個傳出連接，即輸出和當前狀態。這種狀態有助於他們結合過去和當前輸入的信息。

一個簡單的RNN單元太簡單了，無法統一用於跨多個域的時間序列分析。因此，多年來提出了各種各樣的變體，以使循環網路適應各個領域，但核心思想保持不變！、

RNN上的LSTM

LSTM單元格是特殊的RNN單元格，其中帶有「門」，其本質上是介於0到1之間的值，對應於狀態輸入。這些門背後的直覺是忘記或保留過去的信息，這使他們不僅可以記住過去，還可以記住更多。

CNN-LSTMs

由於狀態信息要經過每一個步長，所以RNNs只能記住最近的過去。

另一方面，像LSTM和GRU這樣的門控網路可以處理相對較長的序列，但是即使這些網路也有其局限性！！為了更好地理解這一問題，還可以研究消失和爆炸的梯度。

那麼如何處理很長的序列呢?最明顯的解決辦法就是縮短它們!!但如何?一種方法是丟棄信號中呈現的細粒度時間信息。

這可以通過將一小組數據點累積在一起並從中創建特徵來完成，然後將這些特徵像單個數據點一樣傳遞給LSTM。

多尺度分層LSTMs

看看CNN-LSTM架構，有一件事浮現在我的腦海中……為什麼要使用CNNs來合並那些組?為什麼不使用不同的LSTM呢!多尺度分層LSTMs是基於相同的思想構建的。

輸入是在多個尺度上處理的，每個尺度都致力於做一些獨特的事情。適用於更細粒度輸入的較低標度專注於提供細粒度（但僅是最近的）時間信息。

另一方面，較高的比例集中在提供完整的圖片（但沒有細粒度的細節）上。多個刻度可以一起更好地理解時間序列。

下一步是什麼？

時間序列分析是一個非常古老的領域，包含各種跨學科的問題，每種陳述問題都有其自身的挑戰。

然而，盡管每個領域都根據自己的要求調整了模型，但是時間序列分析中仍然有一些一般性的研究方向需要加以改進。

例如，從最基本的RNN單元到多尺度分層LSTM的每項開發都以某種方式專注於處理更長的序列，但是即使最新的LSTM修改也有其自身的序列長度限制，並且目前仍然沒有一種架構可以真正處理極長的序列。

⑹ mk檢驗的uf和ub表示什麼意思

1、UF和UB值
UF值>0，說明持續增長趨勢，值在0.05顯著性水平線上，說明通過0.05顯著性檢驗
1）UF和UB曲線的交點在置信水平區間[-1.96 1.96]內，並且確定交點具體年份，說明該年份參數呈現突變性增長狀態；
2）如果交點不位於檢驗范圍內，說明交點沒有通過0.05 的檢驗，所以該年份參數突變性上升不具有突變性
(6)時間序列數據突變檢測方法擴展閱讀：
mk檢驗是曼－肯德爾法，又稱Mann—Kenddall 檢驗法，是一種氣候診斷與預測技術，應用Mann-Kendall檢驗法可以判斷氣候序列中是否存在氣候突變，如果存在，可確定出突變發生的時間。Mann-Kendall檢驗法也經常用於氣候變化影響下的降水、乾旱頻次趨勢檢測。由於最初由曼(H.B.Mann)和肯德爾(M.G.Kendall)提出了原理並發展了這一方法，故稱其為曼—肯德爾 (Man-Kendall)法。
檢驗的計算方法是：
對於具有n個樣本量的時間序列X，構造一秩序列。秩序列sk是第i時刻數值大於j時刻數值個數的累計數。在時間序列隨機獨立的假定下，定義統計量。統計量中中UF1=0，E(sk)，Var(sk)是累計數sk的均值和方差，在x1，x2，，xn相互獨立，且有相同連續分布時，它們可由下式算出UFi為標准正態分布，它是按時間序列x順序x1，x2，，xn計算出的統計量序列，給定顯著性水平α，查正態分布表，若|UFi|>Ua，則表明序列存在明顯的趨勢變化。按時間序列x逆序xn，xn-1，，x1，再重復上述過程，同時使UBk=_UFk，k=n，n_1，，1)，UB1=0。這一方法的優點在於不僅計算簡便，而且可以明確突變開始的時間，並指出突變區域。因此，是一種常用的突變檢測方法。

⑺ 怎樣用matlab做時間序列平穩性檢驗

用matlab做時間序列平穩性檢驗需要作圖、擬合，具體說明如下所示：

根據動態數據作相關圖，進行相關分析，求自相關函數。相關圖能顯示出變化的趨勢和周期，並能發現跳點和拐點。如果跳點是正確的觀測值，在建模時應考慮進去，如果是反常現象，則應把跳點調整到期望值。

辨識合適的隨機模型，進行曲線擬合，用通用隨機模型去擬合時間序列的觀測數據。對於短的或簡單的時間序列，可用趨勢模型和季節模型加上誤差來進行擬合。對於平穩時間序列，可用通用ARIMA模型及其特殊情況的自回歸模型、滑動平均模型或組合－ARIMA模型等來進行擬合。

(7)時間序列數據突變檢測方法擴展閱讀：

時間序列模型作用及影響：

1、根據對系統進行觀測得到的時間序列數據，用曲線擬合方法對系統進行客觀的描述。用ARMA模型擬合時間序列，預測該時間序列未來值。

2、當觀測值取自兩個以上變數時，可用一個時間序列中的變化去說明另一個時間序列中的變化，從而深入了解給定時間序列產生的機理。

3、提供給用戶一套較完整的時間序列建模分析、進行預測預報的工具，包括平穩無趨勢時間序列分析預測、有趨勢的時間序列預測、具季節性周期的時間序列預測以及差分自回歸滑動平均（ARIMA）建模分析。

⑻ 什麼是mk檢驗

Mann-Kendall 方法是一種非參數統計檢驗方法。非參數檢驗方法也稱無分布檢驗，其
優點是不需要樣本遵從一定的分布，也不受少數異常值的干擾，更是用於類型變數和順序變
量，計算也比較方便。由於最初由 Mann-Kendall 提出並發展了這一方法，故稱其為
Mann-Kendall 方法。

⑼ 怎麼用Eviews做殘差的ARCH檢驗 ,或者怎麼檢測時間序列是否存在異方差

懷特檢驗可以用於檢驗異方差.ARCH檢驗則是檢驗殘差是否存在自回歸異方差結構.ARCH檢驗步驟：得到回歸方程後,在輸出結果窗口依次點擊view/resial tests/heteroskedasticity tests.在彈出的對話框中,選擇你需要用到的檢驗方法,可以選擇arch或者white,然後點擊OK.