局部加权回归是非参数学习方法,可自动规避在数据拟合过程中异常值对近邻点的影响。通过使用基于局部加权回归的时间序列分解方法,我们对时间序列进行特征分解,将原始时间序列分解为趋势项、周期项和残差项;在给出合理的检出水平阈值后,我们使用改进的格雷布斯检验法在得到残差项后对残差项进行异常值检测。经过实验证明,该方法相比传统的时间序列方法三次指数平滑法可减低离群值对模型拟合的影响,更能有效适应数据中潜存的趋势项的复杂变换,从而更加精准地找到数据中的真实异常点。
科研之友
微信
新浪微博
Facebook
分享链接
