Question vraiment naïve. J'ai une série chronologique. Je sais comment effectuer une segmentation (comme l'algorithme de segmentation binaire). Le but est de trouver des intervalles générés à partir de différents modèles probabilistes.
Mais j'ai toutes les informations sur les modèles possibles (forme de distribution, variance, moyenne). Donc, pour chaque point dans le temps, j'ai la probabilité de chaque modèle et de son a priori. => Je peux calculer le postérieur pour chaque point temporel, tout modèle et tout intervalle.
Problème: si je segmente simplement la série temporelle en utilisant la probabilité postérieure maximale, j'aurai trop de points de changement. HMM peut être une solution, mais il ne prend également en compte qu'un seul point et ne «regarde» pas tout l'intervalle. Il est également difficile d'appliquer HMM pour des données non normales.
Il peut être résolu avec une fenêtre coulissante, mais on ne sait pas comment choisir la taille de la fenêtre coulissante.
Y a-t-il un algorithme pour ce type de détection de point de changement bayésien (lorsque vous connaissez des modèles possibles)? Comme HMM, mais prend en compte l'intervalle et peut fonctionner avec n'importe quelle distribution paramétrique? L'algorithme heuristique est bon aussi.
Comment puis-je appliquer la classification par maximum de vraisemblance à ce problème?
UPD: Simulation du problème:
variances < - runif (1000,0.01,0.5) couvre <- c () for (i in seq (1: 100)) {couvertures <- c (couvertures, rnorm (1, mean = 0, sd = variances [i])) } for (i in seq (101: 200)) {coverages <- c (coverages, rnorm (1, mean = -log (2), sd = variances [i] / 0.75))} for (i in seq (201 : 300)) {couvertures <- c (couvertures, rnorm (1, moyenne = log (3/2), sd = variances [i] * 0,75))} pour (i en seq (301: 1000)) {couvertures < - c (couvertures, rnorm (1, moyenne = 0, sd = variances [i]))} plot (couvertures)
Dans la vraie vie, je connais les écarts et les moyennes possibles pour chaque point dans le temps. Je dois déduire la prévalence de l'un des modèles à l'intérieur du segment.