时间序列数据突变检测方法

⑴ 请问用DPS做时间序列突变图时怎么把横坐标改成需要的年份

先在EXCEL工作表中按以上格式录入数据（左上角的“年份/序号”不用录入，不影响结果） 然后选择整个数据区域 点击菜单：插入-图表 在出现的窗口中选择“折线图” 大功告成！

⑵ origin可以做mk突变检验吗

不可以。
可以用MATLAB软件做，输入代码就可以实现。
1、Mann-Kendall突变检测方法的简要计算步骤：计算顺序时间序列的秩序列，按照上述公式计算UFk。
2、计算逆序时间序列的秩序列，按照上述公式计算UBr
3、给定显着性水平，如a=0.05，对于临界值为Uo.os=加1.96，将UFr与UBx两个统计量序列曲线与Uo.os=土1.96两条直线绘制在-一个平面直角坐标系上。另外，a=0.10对应U0.10=加1.28，u=0.01对应U0.01=士2.32。分析绘制出的UFr与UBk曲线图，若UFr或UBk的值大于0，则表明序列呈上升趋势，小于0则呈下降趋势。当它们超出临界直线时，表明上升或下降趋势显着。超过临界线的范围确定为出现突变的时间区域。若UFx与UB，两条曲线出现交叉点，且交叉点在临界线之间，它们交叉点对应的时刻便是突变开始的时间。

⑶ 我用spss进行时间序列预测，预测出来的结果怎么检验他的准确性和稳定性

用spss进行时间顺序预测预测出来的结果和检测它的准确性决定性的话，这个东西它只是一个参考作用而已，并没有一个实际的这个科学性而言，所以说如果把它检测出了这个成本的话，也不用去太在意它，它只不过是一个参考数据而已。

⑷ 单变量序列尖点突变模型

在煤层底板突水预测的实际问题中，往往是在煤层底板中埋设传感器，观测采动过程中底板岩层中的应力（或位移、变形、渗透性、承压水水压等参数）变化过程，得到上述某一参数s按一定时间间隔排列的序列：

图7.14 水位变化曲线

s₁，s₂，s₃，…s_n

因为该时间序列作为煤层底板岩体系统演化过程的物理—力学响应，是诸影响突水的因素相互作用的综合反映，它蕴藏着参与运动的全部变量的痕迹，也必然包含了煤层底板突水演化过程的突变特征信息。因此，可用突变理论中的尖点突变方法来提取其特征信息，并利用所提取的特征信息来检测系统是否突变及系统突变程度，从而有望为工作面煤层底板突水危险性的预测提供新的认识。

7.4.2.1 矿山压力预测实例

下面利用单变量序列尖点突变模型来分析13268工作面的矿压变化所隐含的煤矿底板突变信息。仅对1通道分析，见图7.15。

图7.15 10月23日矿山压力变化曲线

图7.15中横坐标为观测站距动态推进的工作面的时间。从图中可知，底板应力曲线也出现了4次大的剧烈变化，分别发生在4∶45、16∶55、19∶45、21∶25。

以下根据图7.15所示矿压P变化曲线，应用突变理论辨识该工作面底板岩体系统的稳定性，即突水的可能性^［68］。式（7.9）为P随测点与10月份每天每小时变化的级数形式：

煤矿底板突水

由式（6.38）可得式（6.41）中各项系数如下：

煤矿底板突水

于是可得u＝－3.5×10⁸，v＝－6.39×10⁹，然后根据式（7.31）得到Δ＞0，因此，可以判断该工作面不存在底板突水危险。

依靠此方法，如果现场能够提供6^＃、8^＃、9^＃监测数据，同样可以计算出6^＃、8^＃、9^＃煤层底板的Δ值。并判断是否存在底板突水危险。这样为下一步展开工作提供了理论依据和工作方法。

7.4.2.2 水压预测实例

根据资料整理，万年矿1965年～2004年6月份与10月份的南铭河奥灰水位数据见图7.16，取6月份水位数据建立的多项式回归模型（n＝4）：

图7.16 南洺河奥灰水位拟合图

煤矿底板突水

由式（6.38）可得式（6.41）中各项系数如下：

煤矿底板突水

该模型的拟合值与实际差值及误差百分比一并见图7.16。由图可知，该模型的相对误差为0.25％～10％，拟合精度是令人满意的。

应用突变理论判据可得u＝－3.8×10⁹，v＝5.5×10¹⁰，b₄＞0，然后根据式（7.31）得到Δ＜0，即为突变形态。事实上，万年矿的6^＃、9^＃受奥灰水影响较大，但煤层还未回采，一旦回采就有可能出现底板突水的危险。利用此理论判据为煤层开采工作提供了科学依据。

⑸ 一文读懂深度学习时序分析

作者 | Prakhar Ganesh

编译 | 安然

近日，发表在《DataScience》上的一篇文章，使用深度学习方法，从数据处理、循环网络、RNN上的LSTM、CNN-LSTMs等方面介绍了时间序列分析，同时解释了时间序列的概念以及为什么选择深度学习的方法等问题。

什么是时间序列分析？

时间序列是一系列数据点，使用时间戳进行排序，是对时间序列数据的分析。

从水果的每日价格到电路提供的电压输出的读数，时间序列的范围非常大，时间序列分析的领域也是如此。分析时间序列数据通常侧重于预测，但也可以包括分类，聚类，异常检测等。

例如，通过研究过去的价格变化模式，可以尝试预测曾经想要购买的一款手表的价格，判断它的最佳购买时间！

为什么选择深度学习？

时间序列数据可能非常不稳定且复杂。深度学习方法不假设数据的基本模式，而且对噪声(在时间序列数据中很常见)的鲁棒性更强，是时间序列分析的首选方法。

数据处理

在继续进行预测之前，重要的是首先以数学模型可以理解的形式处理数据。通过使用滑动窗口切出数据点，可以将时间序列数据转换为监督学习问题。然后，每个滑动窗口的预期输出是窗口结束后的时间步长。

循环网络

循环网络一种复杂的深度学习网络。它们可以记住过去，因此是序列处理的首选。RNN单元是循环网络的骨干。

RNN单元具有2个传入连接，即输入和先前状态。同样，它们还具有2个传出连接，即输出和当前状态。这种状态有助于他们结合过去和当前输入的信息。

一个简单的RNN单元太简单了，无法统一用于跨多个域的时间序列分析。因此，多年来提出了各种各样的变体，以使循环网络适应各个领域，但核心思想保持不变！、

RNN上的LSTM

LSTM单元格是特殊的RNN单元格，其中带有“门”，其本质上是介于0到1之间的值，对应于状态输入。这些门背后的直觉是忘记或保留过去的信息，这使他们不仅可以记住过去，还可以记住更多。

CNN-LSTMs

由于状态信息要经过每一个步长，所以RNNs只能记住最近的过去。

另一方面，像LSTM和GRU这样的门控网络可以处理相对较长的序列，但是即使这些网络也有其局限性！！为了更好地理解这一问题，还可以研究消失和爆炸的梯度。

那么如何处理很长的序列呢?最明显的解决办法就是缩短它们!!但如何?一种方法是丢弃信号中呈现的细粒度时间信息。

这可以通过将一小组数据点累积在一起并从中创建特征来完成，然后将这些特征像单个数据点一样传递给LSTM。

多尺度分层LSTMs

看看CNN-LSTM架构，有一件事浮现在我的脑海中……为什么要使用CNNs来合并那些组?为什么不使用不同的LSTM呢!多尺度分层LSTMs是基于相同的思想构建的。

输入是在多个尺度上处理的，每个尺度都致力于做一些独特的事情。适用于更细粒度输入的较低标度专注于提供细粒度（但仅是最近的）时间信息。

另一方面，较高的比例集中在提供完整的图片（但没有细粒度的细节）上。多个刻度可以一起更好地理解时间序列。

下一步是什么？

时间序列分析是一个非常古老的领域，包含各种跨学科的问题，每种陈述问题都有其自身的挑战。

然而，尽管每个领域都根据自己的要求调整了模型，但是时间序列分析中仍然有一些一般性的研究方向需要加以改进。

例如，从最基本的RNN单元到多尺度分层LSTM的每项开发都以某种方式专注于处理更长的序列，但是即使最新的LSTM修改也有其自身的序列长度限制，并且目前仍然没有一种架构可以真正处理极长的序列。

⑹ mk检验的uf和ub表示什么意思

1、UF和UB值
UF值>0，说明持续增长趋势，值在0.05显着性水平线上，说明通过0.05显着性检验
1）UF和UB曲线的交点在置信水平区间[-1.96 1.96]内，并且确定交点具体年份，说明该年份参数呈现突变性增长状态；
2）如果交点不位于检验范围内，说明交点没有通过0.05 的检验，所以该年份参数突变性上升不具有突变性
(6)时间序列数据突变检测方法扩展阅读：
mk检验是曼－肯德尔法，又称Mann—Kenddall 检验法，是一种气候诊断与预测技术，应用Mann-Kendall检验法可以判断气候序列中是否存在气候突变，如果存在，可确定出突变发生的时间。Mann-Kendall检验法也经常用于气候变化影响下的降水、干旱频次趋势检测。由于最初由曼(H.B.Mann)和肯德尔(M.G.Kendall)提出了原理并发展了这一方法，故称其为曼—肯德尔 (Man-Kendall)法。
检验的计算方法是：
对于具有n个样本量的时间序列X，构造一秩序列。秩序列sk是第i时刻数值大于j时刻数值个数的累计数。在时间序列随机独立的假定下，定义统计量。统计量中中UF1=0，E(sk)，Var(sk)是累计数sk的均值和方差，在x1，x2，，xn相互独立，且有相同连续分布时，它们可由下式算出UFi为标准正态分布，它是按时间序列x顺序x1，x2，，xn计算出的统计量序列，给定显着性水平α，查正态分布表，若|UFi|>Ua，则表明序列存在明显的趋势变化。按时间序列x逆序xn，xn-1，，x1，再重复上述过程，同时使UBk=_UFk，k=n，n_1，，1)，UB1=0。这一方法的优点在于不仅计算简便，而且可以明确突变开始的时间，并指出突变区域。因此，是一种常用的突变检测方法。

⑺ 怎样用matlab做时间序列平稳性检验

用matlab做时间序列平稳性检验需要作图、拟合，具体说明如下所示：

根据动态数据作相关图，进行相关分析，求自相关函数。相关图能显示出变化的趋势和周期，并能发现跳点和拐点。如果跳点是正确的观测值，在建模时应考虑进去，如果是反常现象，则应把跳点调整到期望值。

辨识合适的随机模型，进行曲线拟合，用通用随机模型去拟合时间序列的观测数据。对于短的或简单的时间序列，可用趋势模型和季节模型加上误差来进行拟合。对于平稳时间序列，可用通用ARIMA模型及其特殊情况的自回归模型、滑动平均模型或组合－ARIMA模型等来进行拟合。

(7)时间序列数据突变检测方法扩展阅读：

时间序列模型作用及影响：

1、根据对系统进行观测得到的时间序列数据，用曲线拟合方法对系统进行客观的描述。用ARMA模型拟合时间序列，预测该时间序列未来值。

2、当观测值取自两个以上变量时，可用一个时间序列中的变化去说明另一个时间序列中的变化，从而深入了解给定时间序列产生的机理。

3、提供给用户一套较完整的时间序列建模分析、进行预测预报的工具，包括平稳无趋势时间序列分析预测、有趋势的时间序列预测、具季节性周期的时间序列预测以及差分自回归滑动平均（ARIMA）建模分析。

⑻ 什么是mk检验

Mann-Kendall 方法是一种非参数统计检验方法。非参数检验方法也称无分布检验，其
优点是不需要样本遵从一定的分布，也不受少数异常值的干扰，更是用于类型变量和顺序变
量，计算也比较方便。由于最初由 Mann-Kendall 提出并发展了这一方法，故称其为
Mann-Kendall 方法。

⑼ 怎么用Eviews做残差的ARCH检验 ,或者怎么检测时间序列是否存在异方差

怀特检验可以用于检验异方差.ARCH检验则是检验残差是否存在自回归异方差结构.ARCH检验步骤：得到回归方程后,在输出结果窗口依次点击view/resial tests/heteroskedasticity tests.在弹出的对话框中,选择你需要用到的检验方法,可以选择arch或者white,然后点击OK.