주기, 최대, 최소, 평균 등과 같은 다양한 측정을 수행 할 수있는 시계열이 있다고 가정하고이를 사용하여 동일한 속성을 가진 모델 사인파를 생성한다고 가정 할 수 있습니다. 실제 데이터가 가정 된 모델과 얼마나 밀접하게 일치합니까? 시리즈의 데이터 포인트 수는 10 ~ 50 포인트입니다.
매우 간단한 첫 번째 생각은 사인파의 방향성 움직임에 값을 부여하는 것입니다. +1 +1, 실제 데이터와 동일하게 수행 한 다음 방향 이동의 유사성을 정량화합니다.
편집 : 내 데이터로 실제로하고 싶은 일에 대해 더 많이 생각하고 원래의 질문에 대한 응답을 고려할 때 경쟁 가정 사이에서 선택할 수있는 의사 결정 알고리즘이 필요합니다. 즉, 내 데이터가 기본적으로 선형 적입니다 (또는 주기적 요소를 가질 수있는 노이즈가있는 추세) 내 데이터는 기본적으로 순환 경향이 없으며 주기적입니다. 데이터는 본질적으로 단지 노이즈입니다. 또는 이러한 상태 사이에서 전환 중입니다.
내 생각은 이제 어떤 형태의 베이지안 분석과 유클리드 / LMS 측정법을 결합하는 것입니다. 이 접근법의 단계는
데이터 측정에서 추정 사인파 생성
LMS 직선을 데이터에 적합
위의 각각에 대한 원래 데이터에서 출발하기 위해 유클리드 또는 LMS 메트릭을 파생합니다.
이 측정 항목을 기준으로 각각에 대해 베이지안을 작성하십시오. 즉, 결합 된 출발의 60 %가 하나에, 40 %가 다른 하나에 부착되므로 40 %를 선호합니다.
데이터를 따라 창 하나의 데이터 포인트를 슬라이드하고 위의 내용을 반복하여 약간 변경된이 데이터 세트에 대한 새로운 % 메트릭을 얻습니다. 이것은 새로운 증거입니다.
이 슬라이딩 윈도우 (창 길이 10-50 데이터 포인트)로 전체 데이터 세트 (3000+ 데이터 포인트)를 따라 반복하십시오. 희망 / 의도는 데이터 세트의 어느 시점에서나 우세한 / 우호적 인 가정을 식별하고 시간에 따라 어떻게 변하는 지
이 잠재적 인 방법론에 대한 의견, 특히 베이지안 분석 부분을 실제로 구현할 수있는 방법에 대한 의견을 환영합니다.