An exact approach to Bayesian sequential change point detection

مدل های نقطه تغییر به دنبال یک مدل رگرسیون قطعه ای با نقطه های ناشناخته ناشناخته به مجموعه داده ای می باشند که پارامتر های آنها مشکوک به تغییر در زمان می باشند. با این حال، تعداد قابل توجهی از راه حل های ممکن برای یک مشکل چند نقطه تغییری نیاز به یک الگوریتم کارآمد دارد اگر سری های زمانی طولانی مورد تحلیل قرار گیرد. الگوریتم نقطه تغییر بنیادی ترتیب داده شده است که مرزهای عدم اطمینان را بر روی تعداد و مکان نقاط تغییر ارائه می دهد. الگوریتم قادر است به سرعت خود را در زمان خطی به روز رسانی کند، به عنوان هر یک از داده های جدید ثبت شده است و از توزیع دقیق خلفی استفاده می کند تا نتیجه گیری کند که آیا تغییر نقطه مشاهده شده است یا خیر. مطالعات شبیه سازی نشان می دهد که چگونه الگوریتم تحت تنظیمات مختلف پارامترها، از جمله سرعت تشخیص و میزان خطا انجام می شود، و برای مقایسه با چند الگوریتم چند نقطه تغییر چندگانه امکان پذیر است. سپس الگوریتم مورد استفاده برای تجزیه و تحلیل دو مجموعه داده واقعی، از جمله ناهنجاری های دمای سطح جهانی در 130 سال گذشته است.