Multiscale detection of practically significant changes in a gradually varying time series
渐变时间序列中具有实际意义变化的多尺度检测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：摘要直接研究时间序列均值的渐变及具有实际意义变化的检测。
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…
关注这篇论文的作者
渐变时间序列中具有实际意义变化的多尺度检测
- 研究问题
- 当时间序列均值逐渐变化时，如何判断其相对先前时期平均均值的偏离超过实际意义阈值，并检测这种变化？
- 方法与思路
- 作者提出多尺度检测程序，将渐变均值与先前时期的平均均值比较，并通过理论分析、模拟和真实数据考察表现。
- 材料陈述的贡献
- 摘要称该方法缓解现有方法功效低、依赖平滑参数和要求均值变化较平滑的问题，并具有良好的有限样本表现。
- 阅读关注点
- 应核对实际意义阈值与比较区间的定义、时间依赖和均值变化条件，以及多尺度搜索如何控制误报和影响检测功效。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明具体正则条件、检验校准和数值比较结果。
原文摘要
In many change point problems it is reasonable to assume that compared to a benchmark at a given time point $t_0$ the properties of the observed stochastic process change gradually over time for $t >t_0$. Often, these gradual changes are not of interest as long as they are small (nonrelevant), but one is interested in the question if the deviations are practically significant in the sense that the deviation of the process compared to the time $t_0$ (measured by an appropriate metric) exceeds a given threshold, which is of practical significance (relevant change). In this paper we develop novel and powerful change point analysis for detecting such deviations in a sequence of gradually varying means, which is compared with the average mean from a previous time period. Current approaches to this problem suffer from low power, rely on the selection of smoothing parameters and require a rather regular (smooth) development for the means. We develop a multiscale procedure that alleviates all these issues, validate it theoretically and demonstrate its good finite sample performance on both synthetic and real data.