犯罪相关时间序列的变点检测：一种基于形状空间表示的在线模糊方法
机器学习
2023-12-19 v1
摘要
将传统数据挖掘方法扩展至时间序列已有效应用于金融、计量经济学、生物学、安全和医学等广泛领域。许多现有的挖掘方法处理变点检测任务，但极少提供灵活的方法。在犯罪分析中，使用语言变量查询特定变点尤为有用，因为直观、易懂且恰当的变化检测可以显著改善资源分配，以实现及时且简明的行动。本文提出了一种在线方法，利用有意义的表示和模糊推理系统来检测和查询犯罪相关时间序列中的变点。变点检测基于形状空间表示，描述变点几何特征的语言项被用于表达查询，提供了直观性和灵活性的优势。首先在犯罪数据集上进行实证评估以确认所提方法的有效性，随后在金融数据集上测试其普遍适用性。还进行了与类似变点检测算法的比较及敏感性分析。结果表明，该方法能够以极低的计算成本准确检测变点。更广泛地说，这使得几乎所有领域中时间序列内特定变点的检测变得更加直观和易于理解，即使对于非数据挖掘领域的专家也是如此。
引用
@article{arxiv.2312.11097,
title = {Change points detection in crime-related time series: an on-line fuzzy approach based on a shape space representation},
author = {Fabrizio Albertetti and Lionel Grossrieder and Olivier Ribaux and Kilian Stoffel},
journal= {arXiv preprint arXiv:2312.11097},
year = {2023}
}