Multiple change-point detection for Poisson point processes
泊松点过程的多重变点检测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：摘要以时间事件过程中的多重离线变点及强度变化为核心，直接关联时间序列变化检测，未说明具体金融应用。
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…
泊松点过程的多重变点检测
- 研究问题
- 对于非齐次或带标记泊松过程，如何利用已有离散观测识别多个离线变点，处理连续事件时间，并选择变化次数？
- 方法与思路
- 作者使用最小对比估计开展离线分段，并以交叉验证选择变点数量，同时讨论如何应用于强度发生变化的自激过程。
- 材料陈述的贡献
- 摘要称提供连续过程与离散观测衔接的检测方法，展示模拟和真实数据表现，并已将方法实现为 R 软件包。
- 阅读关注点
- 全文应核对观测方式、对比函数与候选变点集合、交叉验证的构造，以及向自激过程扩展时依赖结构如何处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明强度变化的具体形式、理论保证或实验优势的数值大小。
原文摘要
The aim of change-point detection is to identify behavioral shifts within time series data. This article focuses on scenarios where the data is derived from an inhomogeneous Poisson process or a marked Poisson process. We present a methodology for detecting multiple offline change-points using a minimum contrast estimator. Specifically, we address how to manage the continuous nature of the process given the available discrete observations. Additionally, we select the appropriate number of changes via a cross-validation procedure which is particularly effective given the characteristics of the Poisson process. Lastly, we show how to use this methodology for self-exciting processes with changes in the intensity. Through experiments, with both simulated and real datasets, we showcase the advantages of the proposed method, which has been implemented in the R package.