Outlier Detection in Multivariate Time Series by Projection Pursuit
利用投影寻踪检测多元时间序列异常值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：摘要明确研究多元时间序列异常检测及向量 ARMA 建模问题，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
利用投影寻踪检测多元时间序列异常值
- 研究问题
- 如何在不预先指定向量 ARMA 模型的情况下检测多元时间序列的多个异常值，并利用投影提高异常检测的检验功效？
- 方法与思路
- 作者对投影后序列的峰度系数进行数值优化，寻找检测方向，再沿这些方向开展一元搜索，迭代检测并处理多个异常值。
- 材料陈述的贡献
- 摘要称某些投影方向上的检验可比直接多元检验更有力，方法无需预先指定向量 ARMA，并给出模拟与真实数据例示。
- 阅读关注点
- 应核对异常值类型、峰度优化目标和搜索稳定性，以及时间依赖下阈值如何设定、迭代停止规则和误报控制。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；特定方向上的功效优势不能推广到所有情形，具体依赖条件和结果未说明。
原文摘要
In this article we use projection pursuit methods to develop a procedure for detecting outliers in a multivariate time series. We show that testing for outliers in some projection directions can be more powerful than testing the multivariate series directly. The optimal directions for detecting outliers are found by numerical optimization of the kurtosis coefficient of the projected series. We propose an iterative procedure to detect and handle multiple outliers based on a univariate search in these optimal directions. In contrast with the existing methods, the proposed procedure can identify outliers without prespecifying a vector ARMA model for the data. The good performance of the proposed method is illustrated in a Monte Carlo study and in a real data analysis.