Distinguishing Outlier Types in Time Series
区分时间序列中的异常值类型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：摘要明确研究时间序列异常值的检测与类型判别，直接对应时间序列诊断，未提供结构冲击识别依据。
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
区分时间序列中的异常值类型
- 研究问题
- 如何检测类型未知的时间序列异常值，并区分由测量误差产生的异常与由底层系统受到扰动产生的异常？
- 方法与思路
- 作者先提出未知类型异常值的存在性检验，再研究基于似然比的类型判别规则，并与相应贝叶斯规则比较。
- 材料陈述的贡献
- 摘要称研究了两类异常值的检测与区分规则及其性质，并分析工业生产过程数据，未报告具体比较结果。
- 阅读关注点
- 应核对两类异常值的动态表示、序列模型与异常位置的处理，并查看似然比和贝叶斯规则的误分类评价标准。
- 阅读边界
- 仅据所给 Crossref 摘要；模型假设、判别阈值和误分类结果未说明，不能把系统扰动异常直接视为可识别的经济结构冲击。
原文摘要
SUMMARY Distinguishing an outlier in a time series arising through measurement error from one arising through a perturbation of the underlying system can be of use in data validation. In this paper a method of testing for the presence of an outlier of unknown type is proposed. Then the properties of a rule based on the likelihood ratio which attempts to distinguish the two types of outlier are examined and compared with those of the corresponding Bayes rules. An example involving data from an industrial production process is studied.