Эта статья, автором которой являются исключительно ученые и исследователи Alibaba, была принята к участию в программе SIGMOD 2021 Research Track.
Обнаружение периодичности является важным шагом в задачах временных рядов, включая мониторинг и прогнозирование показателей во многих областях, таких как приложения IoT и автономная система управления базами данных.
Во многих из этих приложений существует несколько периодических компонентов, которые часто чередуются друг с другом. Такие динамические и сложные периодические модели затрудняют точное обнаружение периодичности.
Кроме того, другие компоненты временного ряда, такие как тренд, выбросы и шумы, также создают дополнительные проблемы для точного обнаружения периодичности.
В этой статье мы предлагаем надежную и общую основу для обнаружения множественной периодичности.
Наш алгоритм применяет дискретное вейвлет-преобразование с максимальным перекрытием для преобразования временных рядов в несколько частотно-временных масштабов, чтобы можно было выделить различные периодические компоненты.
Мы ранжируем их по дисперсии вейвлета, а затем в каждой шкале надежно определяем одиночную периодичность с помощью предложенной нами периодограммы Хубера и АКФ Хубера.
Мы строго доказываем теоретические свойства периодограммы Хубера и обосновываем использование критерия Фишера на периодограмме Хубера для обнаружения периодичности.
Для дальнейшего уточнения обнаруженных периодов мы вычисляем несмещенную автокорреляционную функцию на основе теоремы Винера-Хинчина из периодограммы Хубера для повышения надежности и эффективности.
Эксперименты с синтетическими и реальными наборами данных показывают, что наш алгоритм превосходит другие популярные алгоритмы для обнаружения как одиночной, так и множественной периодичности.
Полная статья здесь:
https://arxiv.org/pdf/2002.09535.pdf
Технологии Alibaba
Подробная информация о новейших технологиях Alibaba из первых рук → Facebook: Alibaba Tech». Твиттер: «AlibabaTech».
