Monitoring Time Series for Relevant Changes
时间序列中具有实质意义变化的在线监测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：摘要直接研究时间序列均值的多次结构变化及序贯监测。
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…
时间序列中具有实质意义变化的在线监测
- 研究问题
- 当时间序列均值可以多次变化时，如何在线判断其是否始终位于初始均值周围的容许区间，而非只检测一次变化？
- 方法与思路
- 作者将均值建模为可发生任意多次变化的分段常数序列，结合多变点检测与 Hölder 型监测构造在线工具。
- 材料陈述的贡献
- 摘要称处理了第一类错误风险依赖未知未来路径的难题，并以模拟、血糖监测和民意调查应用支持理论结果。
- 阅读关注点
- 应核对基准期与容许阈值的设定、时间序列依赖条件，以及多次变化下的错误率控制方式和监测延迟性质。
- 阅读边界
- 这是 arXiv 预印本，不能确认同行评审或期刊接收；摘要未给出依赖与变点间隔条件，任意多次变化的适用范围待核对。
原文摘要
We consider the problem of sequentially testing for changes in the mean parameter of a time series, compared to a benchmark period. Most tests in the literature focus on the null hypothesis of a constant mean versus the alternative of a single change at an unknown time. Yet in many applications it is unrealistic that no change occurs at all, or that after one change the time series remains stationary forever. We introduce a new setup, modeling the sequence of means as a piecewise constant function with arbitrarily many changes. Instead of testing for a change, we ask whether the evolving sequence of means, say $(μ_n)_{n \geq 1}$, stays within a narrow corridor around its initial value, that is, $μ_n \in [μ_1-Δ, μ_1+Δ]$ for all $n \ge 1$. Combining elements from multiple change point detection with a Hölder-type monitoring procedure, we develop a new online monitoring tool. A key challenge in both construction and proof of validity is that the risk of committing a type-I error after any time $n$ fundamentally depends on the unknown future of the time series. Simulations support our theoretical results and we present two real-world applications: (1) healthcare monitoring, with a focus on blood glucose tracking, and (2) political consensus analysis via citizen opinion polls.