用于计数时间序列趋势与突变的局部自适应收缩先验

具有突变及趋势附近波动等非平稳特征的计数时间序列出现在生物物理、生态学、能源、流行病学和社会科学等众多科学领域中。现有的整值时间序列方法缺乏捕捉局部瞬态特征的灵活性，而针对连续数据类型更具灵活性的模型又不足以普遍应用于整值响应（例如小计数的情形）。我们提出了一个建模框架——负二项贝叶斯趋势滤波器（NB-BTF），它提供了一种自适应的基于模型的解决方案，以在趋势滤波中实现具有有效整值推断的多尺度特征捕捉。该框架是一个带有动态全局-局部收缩过程的层次贝叶斯模型。全局-局部过程的灵活性允许必要的局部正则化，而时间依赖性诱导出局部平滑的趋势。在模拟中，NB-BTF优于多种替代的趋势滤波方法。随后，我们在马萨诸塞州各镇的每周停电频率上演示了该方法。停电频率的特征是名义上的低水平并伴随偶发尖峰。这些示例展示了具有充分不确定性量化的平滑非平稳趋势的估计。