Rilevamento del punto di modifica

Un punto di cambiamento è un momento in cui il processo che genera una sequenza cambia in modo significativo. La proprietà modificata può essere una media, una varianza, una pendenza, una distribuzione o una relazione tra variabili. Il rilevamento è importante nel controllo di qualità, nel monitoraggio e nell’analisi delle serie temporali perché un unico modello adattato a regimi diversi può nascondere cambiamenti o produrre previsioni fuorvianti. I metodi offline analizzano una sequenza completata e stimano i punti in cui si sono verificati i cambiamenti. Spesso dividono i dati in segmenti e riducono al minimo la somma dei costi all'interno del segmento più una penalità per ogni modifica. La penalità controlla la complessità: un valore troppo basso può segmentare eccessivamente il rumore, mentre un valore troppo alto può perdere i cambiamenti reali. PELT è un algoritmo di segmentazione penalizzato esatto per le funzioni di costo supportate e le condizioni di potatura, con un comportamento computazionale favorevole in molti contesti; non è una garanzia della giusta penalità o di un limite di runtime universale. CUSUM è un metodo di monitoraggio sequenziale che accumula prove di deviazione da un riferimento. Una soglia determina quando segnalare, con compromessi tra ritardo di rilevamento e falsi allarmi. I metodi bayesiani online mantengono le probabilità sulla durata del ciclo, il tempo trascorso dall'ultima modifica, e aggiornano tali probabilità man mano che arrivano le osservazioni. Questi approcci differiscono per latenza e se possono rivedere una segmentazione storica. Un cambiamento rilevato è una prova statistica, non una spiegazione. Può riflettere un intervento reale del processo, una stagionalità, una deriva del sensore, un valore anomalo o un cambiamento nella pipeline di dati. Valuta la sensibilità alla lunghezza minima del segmento, alla funzione di costo e alla penalità e tiene conto dell'autocorrelazione e delle molteplici opportunità di monitoraggio. Se un punto di cambiamento viene trovato retrospettivamente dopo aver cercato in molte posizioni, l'incertezza nella sua posizione e il rischio di false scoperte sono importanti. Per uso operativo, definisci quale azione segue un avviso e tieni traccia dei falsi allarmi e delle modifiche mancate. L'algoritmo può identificare un confine sotto il suo obiettivo; l'indagine del dominio determina cosa è successo e se il sistema deve rispondere.