Detection of collective and point anomalies in the presence of trend and seasonality
存在趋势与季节性时的集体异常和点异常检测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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接研究含趋势和季节性的时间序列分解与异常检测，因此归入时间序列，不将异常自动视为结构变化。
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…
存在趋势与季节性时的集体异常和点异常检测
- 研究问题
- 当时间序列同时含有多项式趋势与季节模式时，如何区分正常基线变化、单点异常和持续异常，并准确估计异常数量与位置？
- 方法与思路
- 作者提出允许趋势和季节性的异常检测方法，将序列分解为异常、趋势、季节性及余项，并研究异常数量和位置估计的一致性。
- 材料陈述的贡献
- 摘要称该方法同时处理点异常与集体异常，提供分解和一致性理论，模拟显示有限样本检测表现，并以能源价格数据展示用途。
- 阅读关注点
- 应核对异常、趋势与季节成分的可区分条件、异常长度和强度要求，以及调参方式、误报控制和定位误差的评价标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未提供算法细节、理论条件或数值结果，异常检测也不能直接解释为经济结构突变。
原文摘要
Detecting anomalies in time series data is a challenging task with broad relevance in many applications. Existing methods work effectively only under idealized conditions, typically focusing on point anomalies or assuming a constant baseline. Our approach overcomes these limitations by detecting both collective and point anomalies, while allowing for polynomial trends and seasonal patterns. We establish statistical theory demonstrating that our method accurately decomposes the time series into anomaly, trend, seasonality, and remainder components. We further show that the approach provides a consistent estimate of the number of anomalies and their locations. Simulation studies confirm its strong detection performance with finite samples, and an application to energy price data illustrates its practical utility.