多くのゼロ値を持つ時系列の分析

この問題は実際には火災検知に関するものですが、いくつかの放射性崩壊検知問題に非常に類似しています。観察されている現象は散発的であり、非常に多様です。したがって、時系列は、変数値によって中断されたゼロの長い文字列で構成されます。

目的は、イベント（ゼロのブレーク）をキャプチャするだけでなく、イベント自体の定量的な特性評価です。ただし、センサーは限られているため、「現実」がゼロ以外であってもゼロを記録する場合があります。このため、センサーを比較するときにはゼロを含める必要があります。

センサーBはセンサーAよりも感度が高い可能性がありますが、統計的に説明したいと思います。この分析では、「真実」はありませんが、センサーAとBから独立したセンサーCがあります。したがって、私の期待は、A / BとCのより良い一致が「真実」とのより良い一致を示すことです。（これは不安定に思えるかもしれませんが、あなたは私を信頼する必要があります-センサーに関する他の研究から知られていることに基づいて、私はここで確固たる地位にいます）。

問題は、「時系列のより良い一致」を定量化する方法です。相関関係は明らかな選択ですが、これらすべてのゼロ（除外することはできません）の影響を受け、もちろん最大値の影響は不均衡になります。RMSEも計算できますが、ゼロに近い場合のセンサーの動作に対して強く重み付けされます。

Q1：時系列分析でゼロと結合される非ゼロ値に対数スケーリングを適用する最良の方法は何ですか？

Q2：このタイプの時系列分析に推奨できる「ベストプラクティス」は何ですか。ゼロ以外の値での動作が焦点ですが、ゼロの値が支配的であり、除外できません。

「アナリストは、特定のパターンに従っていない需要のない長期間にどのように対処しますか？」という質問を言い換えます。

あなたの質問に対する答えは、断続的な需要分析またはスパースデータ分析です。これは通常、非ゼロの数に対して「ゼロのロット」がある場合に発生します。問題は2つのランダム変数があることです。イベント間の時間とイベントの予想サイズ。あなたが言ったように、測定値の完全なセットの自己相関（acf）は、ゼロのシーケンスが誤ってacfを強化するため、意味がありません。データベースの手順ではなく、モデルベースの手順である「クロストンの方法」のようなスレッドを追跡できます。より厳密なアプローチは、「スパースデータ-不等間隔データ」またはそのような検索を追求することです。OSUのRamesh Sharda教授によって、かなり独創的な解決策が提案され、私はこれを長年コンサルティング業務で使用してきました。シリーズに売上が発生する時点と、売上が発生しない長期間がある場合、観測された売上を売上のない期間の数で割ることにより、売上を期間ごとの売上に変換することができます。これにより、レートと、予測レートに達する売上と予測インターバルの間隔との間のモデルを特定できます。詳細については、autobox.comおよびGoogleの「断続的な需要」をご覧ください。シリーズに売上が発生する時点と、売上が発生しない長期間がある場合、観測された売上を売上のない期間の数で割ることにより、売上を期間ごとの売上に変換することができます。これにより、レートと、予測レートに達する売上と予測インターバルの間隔との間のモデルを特定できます。詳細については、autobox.comおよびGoogleの「断続的な需要」をご覧ください。シリーズに売上が発生する時点と、売上が発生しない長期間がある場合、観測された売上を売上のない期間の数で割ることにより、売上を期間ごとの売上に変換することができます。これにより、レートと、予測レートに達する売上と予測インターバルの間隔との間のモデルを特定できます。詳細については、autobox.comおよびGoogleの「断続的な需要」をご覧ください。