Detecting Possibly Non-Consecutive Outliers in Industrial Time Series
工业时间序列中可能不连续出现的异常值检测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究 ARIMA、非平稳时间序列及其稳健估计，直接对应时间序列方法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
工业时间序列中可能不连续出现的异常值检测
- 研究问题
- 对于工业环境中的 ARIMA 时间序列，如何同时进行稳健参数估计和多个异常值检测，并处理非平稳序列？
- 方法与思路
- 作者采用 Huber 或下降型权重的重新加权最大似然估计；标量非平稳序列可用原序列或辅助差分序列计算。
- 材料陈述的贡献
- 摘要称，该程序将回归中的稳健 M 估计推广到时间序列，并应用于两组工业数据；原序列路线还被提出作为向量扩展的可能途径。
- 阅读关注点
- 阅读时应核对异常值类型、权重与迭代规则、原序列和差分计算的等价条件，以及向量扩展是否获得完整理论支持。
- 阅读边界
- 仅据所给 Crossref 摘要；未提供检测阈值或应用数值，向量部分非平稳序列的处理仅被表述为可能扩展。
原文摘要
Summary A method for robust estimation and multiple outlier detection in time series generated by autoregressive integrated moving average processes in industrial environments is developed. The procedure is based on reweighted maximum likelihood estimation using Huber or redescending weights and, therefore, generalizes the well-established robust M-estimation procedures used in the regression framework. When the scalar process is non-stationary, the computations required can be performed equally well using either rhe original undifferenced series or auxiliary differenced series. Whereas the latter alternative may be preferred for scalar series, the former might be extended to cope with vector partially non-stationary time series without differencing the series, thus avoiding non-invertibility and parameter identifiability problems caused by overdifferencing. The overall strategy is applied in two real industrial data sets.