Mendeteksi perubahan dalam deret waktu

Saya menemukan gambar prototipe aplikasi yang menemukan perubahan signifikan ("tren" - bukan paku / outlier) dalam data lalu lintas:

Saya ingin menulis sebuah program (Java, opsional R) yang dapat melakukan hal yang sama - tetapi karena keterampilan statistik saya agak berkarat, saya perlu menggali topik ini lagi.

Pendekatan / algoritma apa yang harus saya gunakan / riset karena itu?

Ada sejumlah cara yang dapat menyebabkan "jeda struktural".

Jika ada perubahan dalam Intersepsi atau perubahan Tren dalam "bagian terakhir dari rangkaian waktu" maka orang akan lebih cocok untuk melakukan Deteksi Intervensi (NB ini adalah identifikasi empiris dari dampak signifikan dari Variabel Deterministik yang tidak ditentukan seperti itu. sebagai Pergeseran Level atau Perubahan Tren atau awal Musiman Nadi). Deteksi Intervensi kemudian adalah kursor awal ke Pemodelan Intervensi di mana variabel yang disarankan dimasukkan dalam model. Anda dapat menemukan informasi di web dengan googling "DETEKSI INTERVENSI OTOMATIS". Beberapa penulis menggunakan istilah "DETEKSI OUTLIER" tetapi seperti banyak bahasa statistik ini dapat membingungkan / tidak tepat. Intervensi yang terdeteksi dapat berupa salah satu dari yang berikut ini (mendeteksi perubahan signifikan dalam rata-rata residu);

perubahan 1 periode di Level (yaitu Pulse) perubahan multi-periode yang berdekatan di Level (yaitu perubahan Intercept) Pulse sistematis (yaitu Pulse Musiman) perubahan tren (yaitu 1,2,3,4,5, 7,9,11,13,15 .....) Prosedur ini mudah diprogram dalam R / SAS / Matlab dan secara rutin tersedia di sejumlah paket seri waktu yang tersedia secara komersial namun ada banyak jebakan yang perlu Anda waspadai seperti apakah akan mendeteksi struktur stokastik terlebih dahulu atau melakukan deteksi intervensi pada seri asli. Ini seperti masalah ayam dan telur. Pekerjaan awal di bidang ini terbatas pada tipe 1 dan karena itu mungkin tidak akan cukup untuk kebutuhan Anda karena contoh Anda menggambarkan LEVEL SHIFTS.

Ada banyak materi di web dan bahkan program gratis di http://www.autobox.com/30day.exe yang bahkan memungkinkan Anda untuk menggunakan data Anda sendiri selama 30 hari. Anda mungkin belajar banyak "hanya dengan menonton" seperti yang pernah dikatakan Yogi dan mereplikasi hasil mereka.

Referensi web untuk persamaan yang tepat untuk Anda gunakan dapat ditemukan mulai halaman 134 di http://www.autobox.com/pdfs/autoboxusersguide.pdf . Saya adalah salah satu penulis AUTOBOX.

Coba paket cpm atau changepoint di R. Ini gratis untuk digunakan. Juga teliti model titik perubahan atau deteksi perubahan sekuensial.