时间序列的深层模式及其在估计、预测、故障诊断与目标跟踪中的应用
应用统计
2021-02-16 v4 信息论
math.IT
摘要
时间序列所含信息多于其数值本身。本文提出带卡尔曼滤波的时变局部自相关多项式模型，用于建模时间序列（或信号）的潜在动态并挖掘其深层模式，除估计瞬时均值函数（亦称趋势函数）外，还包括：（1）识别并预测时间序列的峰谷值；（2）报告并预测当前变化模式（趋势的增减模式及其变化速率）。我们将表明，正是此深层模式使我们能够对时间序列进行更高精度的估计与预测，轻松检测传感器的异常（故障），并跟踪高机动目标。
引用
@article{arxiv.1904.09245,
title = {Deep Pattern of Time Series and Its Applications in Estimation, Forecasting, Fault Diagnosis and Target Tracking},
author = {Shixiong Wang and Chongshou Li and Andrew Lim},
journal= {arXiv preprint arXiv:1904.09245},
year = {2021}
}