基于R-FP OP变点检测的城市路段旅行时间预测

针对城市路段旅行时间精准推送的不足,提出一种基于动态规划变点检测算法的旅行时间预测方法。以车牌识别数据为研究对象,利用R-FPOP算法对旅行时间均值变点进行在线检测,研究变点时域分布特征;基于均值变点检测结果,预测旅行时间并给出其预测区间。结果表明:在线检测出的变点能够有效辨识旅行时间的均值突变,变点时域分布主要集中在高峰期;旅行时间预测值对实际序列变化趋势估计准确,推送的预测区间平均覆盖率为79.54%,具有较优的预测精度。论文方法兼顾旅行时间均值突变且建模简单,可为路段旅行时间的在线智能推送及交通需求者的路线规划提供技术支持。     

基于block bootstrap的厚尾相依序列均值变点检验

针对无穷方差重尾相依序列的均值变点检验问题,基于序列自正则方法构造CUSUM型统计量,并在原假设下得到其渐近分布,在备择假设下得到检验的容许性。由于其渐近分布依赖于尾指数κ,且考虑到序列之间具有相依性,提出基于残差的block bootstrap方法。蒙特卡洛模拟表明该检验统计量和该抽样方法的有效性。     

基于二元分割检测分段线性趋势中的多变点

变点检测问题一直是统计学中的热点研究之一,在实际的数据中,通常会在某一段具有线性增长或减少的趋势,这种趋势的起始点位置是未知的,因此针对此种具有分段线性趋势的一维数据,提出了一种多变点检测方法。该方法根据广义对数似然比所构造出的统计量,将二元分割方法、阈值准则和s SIC三者相结合,能快速有效地检测出数据中的多变点。数值模拟结果表明,对具有分段线性趋势的数据,检测变点的位置及数量很准确,检测结果令人满意。最后以深圳市北环大道新洲立交的车流量数据为例,分析出该区域在工作日和非工作日的变点分布特征,分析结果符合实际情况,可为交管部门的相关工作提供参考意见。     

基于subsampling重尾序列持久性变点检验

研究新息为方差无穷重尾序列的持久性变点检验问题,为得到较好的经验水平值,构造了DF型比率统计量,得到其渐近分布。为避免估计重尾指数κ,应用subsampling方法确定渐近分布的临界值并论证了该方法的合理性。最后,Monte Carlo模拟说明统计量及subsampling方法的有效性。     

面板数据均值渐变变点的Ratio检验

为解决时间序列因观测时间较短而难以确定变点的问题，通过分析独立同分布序列面板数据，对其均值的渐变变点进行检验.假设面板数据中每条时间序列的均值在同一时刻发生变化，提出Ratio检验统计量，并分别在原假设与备择假设下给出检验统计量的极限性质.数值模拟结果表明，面板数据的检验效果优于单条时间序列，实例分析也验证了该方法的有效性与实用性.     

水文时间序列变点识别的一种稳健方法

针对目前水文时间序列变点识别研究中忽略了方法的稳健性,未能充分考虑异常值的影响的不足,提出了利用一种高度稳健的高斯混合密度分解算法来识别水文时间序列中的变点,并以此来研究水文时间序列均值的突变该方法的核心是根据观测到的资料,通过逐步挖掘服从不同正态分布的时间序列分支,将均值变点的识别问题转化为混合正态密度的聚类问题,从而达到估计变点的位置以及自动获得变点的数目估计的目的实例计算结果表明,该方法对含有噪声的时间序列数据,仍能准确识别变点的位置,较好地解决了水文序列变点识别的稳健性问题．     

股指时间序列突变点小波检测研究

预测股指时间序列突变点是在股票市场上进行投资的一个关键问题,而检测突变点是预测的基础.在检测深沪两市股指时间序列月度收益率突变点位置和个数时采用了非参数方法,该方法基于小波数据依赖门限技术.研究显示了运用Lipschitz指数解释的突变点的数学特征.使用的模型证明了小波变换模的极大值能够检测出突变点的位置,实证结果也显示出突变点的位置和个数是精确的.     

分位数回归在时间序列中的应用

文章利用分位数回归和时间序列相结合的方法对澳大利亚月度红酒销售量数据进行建模和预测,得出的模型能很好地描述出月份对于红酒销量变化范围的影响.当自变量时间对因变量红酒销量的分布产生不同的影响时,相对于最小二乘回归系数得到单一结果来说,利用分位数回归得到的时间序列模型能更好地利用数据里的信息,得到比较全面的预测结果.     

基于MH算法的贝叶斯分位自回归模型

针对时间序列分布特征多样性的问题,不考虑序列本身的分布特征而选择非对称Laplace分布的似然函数对模型进行贝叶斯分位回归分析.利用Metropolis-Hastings算法模拟参数的后验边缘分布,解决了参数估计过程遇到的高维数值积分的问题.仿真分析中,参数的迭代轨迹是收敛的,说明MH抽样有效地模拟了参数的后验边缘分布;并且应用该方法估计出了不同分位数下模型参数的后验均值,标准差,MC误差和95%的置信区间.非对称和局部持续性数据的数值模拟,证实了贝叶斯分位自回归模型可以更全面有效地描述滞后变量对响应变量变化范围和条件分布形状的影响.     

长记忆时间序列均值变点的比率检验

本文基于两种比率方法研究了长记忆时间序列均值变点的检验问题,在无变点原假设下推导出了检验统计量的极限分布,在备择假设下证明了检验方法的一致性.由于检验统计量的极限分布依赖未知的长记忆参数,还提出了一种避免估计长记忆参数的Sieve AR Bootstrap方法来近似计算检验统计量的临界值,数值模拟结果表明提出的检验方法具有较好的检验效果.最后通过分析一组尼罗河年径流量数据说明了方法的可行性.     

基于二元分割的多变点估计

以含有多个均值变点的时间序列数据为研究对象,将最小二乘法与二元分割相结合,提出了最小二乘二元分割方法(LSBS),改进间隔较小时二元分割方法无法检测两个相邻变点的缺点.并对铁路旅客量数据进行实证分析,统计模拟结果显示,改进方法很大程度上提高了多变点估计的准确性.     

关于股票数据波动性的多变点研究

目前对金融时间序列模型结构变化问题主要集中于对单变点的研究,但在许多情况下,金融数据可能出现多个变点,因此,对实际问题的研究需要检验多变点的存在,需要对变点的个数以及变点发生的时刻作出估计.本文讨论了股票数据均值的多变点检验问题.在原假设下给出统计量的极限分布及渐近临界值的解析表达式.并且在递归检验的过程中同时得到变点时刻与变点个数估计.最后用实例分析说明了方法的有效性.     

分段平稳自回归过程的变点估计与模型选择——基于改进的自适应LASSO方法

针对非平稳时间序列中一类分段平稳自回归(PSAR)过程的变点估计和模型选择问题,在已有的将变点估计问题转化成变量选择问题方法的基础上,提出一种基于两阶段LASSO(TS-LASSO)算法同时进行变点估计和模型选择.具体地,在第一阶段中,通过LASSO算法对序列中的变点和模型进行初步的估计和选择,然后在第二阶段中结合改进的自适应LASSO算法对过估计的LASSO结果进行筛选,最终实现变点的一致估计和模型的准确选择.并对变点估计结果的大样本性质进行了分析.此外,对于特殊情形下的均值变化序列和无变点序列,TS-LASSO算法也能实现有效的估计和识别.最后,结合不同类型序列的模拟检验以及地震波数据的实例分析,证明TS-LASSO算法是有效的,并具有一定的实用意义.     

一类线性混合效应模型分位数估计的影响分析

当回归模型误差服从非对称或非正态分布时,尤其是在重尾分布或分布受污染的情况下,如何检测纵向数据中的异常值是数据分析中的一个重要问题。为了克服非正态分布模型误差的影响,采用稳健的分位数方法对一类线性混合效应模型进行参数估计,并分别基于数据删除模型和均值漂移模型构造强影响点的诊断度量和异常值的检验统计量,以有效地检测强影响点和异常值点。在识别强影响点时,为了减轻计算负担,利用光滑逼近的方法给出了数据删除模型参数的一步近似估计,并据此构造出基于损失函数的距离和Cook距离。为了能够识别异常值点,首先构造出检验异常值点的Wald统计量,然后基于数据删除模型和均值漂移模型的系数估计的等价性,利用Bootstrap抽样得到检验的拒绝域。数值模拟结果表明,本文所提的诊断度量和检验统计量都能够很好地判断出强影响点和异常值点。最后应用本文方法针对化学实验纵向数据进行了影响分析。     

基于修正ICSS算法的时间序列方差结构突变研究

运用修正的ICSS算法研究了上证A股的股票资金流强弱指数方差结构性变点,并对上证A股2003年5月22日至2015年5月22日的日交易数据序列进行检测,得到了23个突变点;根据时间序列分析方法,将所得到的变点作为虚拟变量加入GARCH模型中进行模型分析。结果表明:上证A股资金流强弱指数是平稳的非正态时间序列;未加入方差结构性变点的GARCH(1,1)模型,序列波动具有很强的持续性,加入作为虚拟变量的方差结构性变点的GARCH(1,1)模型拟合效果更好,序列波动持续现象显著减弱,结构突变效应已被虚拟变量所捕获。     

基于E-GAS-AST模型对金融市场的风险度量与回测

针对金融数据的重尾、波动聚集、非对称性等特征,提出了基数据驱动的GAS模型的两种新模型:E-GAS-AST模型和E-GAS-AST-GPD模型,并利用新模型对实际数据进行了风险度量和回测.基于GAS模型,结合具有重尾特征的非对称学生t-分布(AST),参照EGARCH模型提出了E-GAS-AST模型,并使用GPD分布对尾部极值特征进行进一步的描述,重新得到E-GAS-AST-GPD模型.通过研究两个模型各自的残差分布计算出VaR值和ES值,并分别进行回测检验.引入参数驱动模型比如半参数GARCH模型、EGARCH-t模型和GJR-GARCH-t模型进行风险度量的估计,并与本文提出的两个模型进行比较.对道琼斯指数和上证指数在考虑收益率序列可能存在变点的情况下进行的实证研究表明,该数据驱动的E-GAS-AST模型是一个较好可行的模型,可用于对金融市场进行风险度量的模型.     

基于Sieve Bootstrap方法的长记忆过程均值变点的检验

本文提出一个新的统计量来检测长记忆时间序列中可能存在的均值变点,在原假设下推导出了检验统计量的极限分布在备择假设下证明了检验方法的一致性.为便于实际应用还提出了一种Sieve Bootstrap方法来近似统计量的临界值.模拟结果表明本文方法不仅可以很好的控制经验水平,而且相比已有均值变点检验的方法经验势也有了一定幅度的提高.     

基于分位数因子模型的高维时间序列因果关系分析

从观察数据中发现变量之间的因果关系是许多科学研究领域的关键问题，传统Granger因果模型受到维度灾难的影响，难以准确地在高维时间序列中发现因果关系.提出一种基于分位数因子模型的Granger因果分析新方法 QFMCGC用于高维时间序列因果关系的判定.首先，QFM-CGC采用赤池信息量准则进行模型选择，避免人为干预设置滞后阶数的操作；然后，对向量自回归（Vector Autoregressive,VAR）模型中的条件变量建立分位数因子模型进行降维，减少VAR模型中的待估计系数，对降维后的VAR模型重新进行条件Granger因果分析；最后，使用蒙特卡洛模拟评估不同方法识别底层系统与观测时间序列的连通性结构的能力.在不同维度变量的线性仿真系统和两组现实数据集上与基准方法和经典方法进行了比较，实验结果验证了该方法的有效性.     

多元正态向量变点在线监测

针对多元时间序列均值向量变点发生时刻靠后的情况,文章通过采用引入窗宽参数h的方法,构造残差累积和统计量,使得多元正态均值过程变点位置靠后时能尽早提出预警。在原假设下得到了监测统计量的渐近分布,并在备择假设下证明了该监测统计量的一致性。模拟结果表明引入窗宽参数确实能够提高监测统计量的势,同时能减小平均运行长度。最后将本文的方法应用到生产实例中,表明该方法具有一定的实践性和有效性。     

具有长记忆误差的线性回归模型参数变点的在线监测

基于改进的滑动和(mMOSUM)方法研究了具有长记忆时间序列误差的线性回归模型系数变点的在线监测问题。通过修正边界函数得到了改进的滑动和监测统计量在原假设下的渐近分布,并在备择假设下证明了该方法的一致性。数值模拟结果表明当线性回归模型带有长记忆误差时,改进的滑动和方法除了长记忆参数值较大情况外仍然有效,且变点位置越靠后时,改进方法对经验势提高和平均运行长度缩短的作用越明显。最后,通过对一组美国的宏观经济数据进行实证分析,说明了方法的可行性。