基于局部深度的函数型异常值检测及其在氮氧化物水平中的应用
统计方法学
2015-06-17 v2
摘要
本文提出检测函数型数据集中异常值的方法，并利用最近提出的核化函数空间深度(KFSD)完成识别非典型曲线的任务。KFSD是一种局部深度，可用于将样本中的曲线从最中心到最不中心排序；由于异常值通常位于最不中心的曲线中，我们给出一个概率性结果，允许为KFSD选择阈值，使得深度值低于该阈值的曲线被检测为异常值。基于此结果，我们提出三种新的异常值检测流程。模拟研究结果表明，我们的方案通常优于一系列竞争对手。我们将所提流程应用于一个真实数据集，该数据集由氮氧化物(NOx)排放水平的日曲线组成，因为识别异常NOx水平以采取必要环境政策措施具有重要意义。
引用
@article{arxiv.1501.01859,
title = {Functional outlier detection by a local depth with application to NOx levels},
author = {Carlo Sguera and Pedro Galeano and Rosa Lillo},
journal= {arXiv preprint arXiv:1501.01859},
year = {2015}
}
备注
in Stochastic Environmental Research and Risk Assessment, 2015