Tiếp theoHướng dẫn tiếp theo
Giải mã WFST trong nhận dạng giọng nói
kỹ thuật
HƯỚNG DẪN KỸ THUẬT
Chuỗi thời gian dừng có trạng thái thống kê ổn định theo thời gian, chẳng hạn như giá trị trung bình không đổi và cấu trúc tự hiệp phương sai trong điều kiện dừng yếu.
Nghe hướng dẫn nàyAI thuật lại · ~3 min
Sự khác biệt có thể loại bỏ các xu hướng ngẫu nhiên, trong khi các thử nghiệm ADF và KPSS cung cấp bằng chứng bổ sung mà các giả thuyết vô hiệu phải được giải thích một cách cẩn thận.
Tính dừng có nghĩa là các thuộc tính phân phối liên quan không thay đổi theo thời gian. Tính dừng nghiêm ngặt đòi hỏi sự phân bố chung đầy đủ phải bất biến dưới sự dịch chuyển theo thời gian. Tính dừng yếu, thường được sử dụng trong các mô hình chuỗi thời gian, đòi hỏi giá trị trung bình không đổi, phương sai không đổi hữu hạn và tự hiệp phương sai chỉ phụ thuộc vào độ trễ chứ không phải thời gian theo lịch. Nhiều mô hình dự báo dựa vào chuỗi dừng hoặc biến đổi vì mức độ thay đổi và sự phụ thuộc có thể làm cho các mối quan hệ lịch sử trở nên không đáng tin cậy. Vi phân tính toán y_t - y_(t-1) và có thể loại bỏ xu hướng ngẫu nhiên. Sự khác biệt theo mùa trừ y_t - y_(t-s), trong đó s là độ dài chu kỳ, để giải quyết tính ổn định theo mùa. Sự khác biệt khác với việc loại bỏ xu hướng: một xu hướng xác định có thể được mô hình hóa và loại bỏ, trong khi một quá trình giống như nghiệm đơn vị có thể yêu cầu sự khác biệt. Sự khác biệt quá mức có thể gây ra tiếng ồn không cần thiết và hiện tượng tự tương quan. Sử dụng các biểu đồ và bối cảnh cũng như các bài kiểm tra để hướng dẫn các phép biến đổi. Thử nghiệm Augmented Dickey-Fuller (ADF) có giả thuyết vô hiệu nghiệm đơn vị; việc không từ chối không phải là bằng chứng của một đơn vị gốc, đặc biệt là với nguồn điện hạn chế. Thử nghiệm KPSS sử dụng tính dừng làm giá trị rỗng của nó, với các biến thể cho tính dừng ở cấp độ hoặc xu hướng. Các giá trị null đối lập của chúng làm cho chúng bổ sung cho nhau. Ví dụ, ADF không bác bỏ trong khi KPSS bác bỏ đưa ra bằng chứng chống lại tính dừng đơn giản, nhưng các phép kiểm tra rất nhạy cảm với các lựa chọn độ trễ, thuật ngữ xác định, độ dài mẫu và sự phá vỡ cấu trúc. Sau khi chuyển đổi, hãy kiểm tra xem giá trị trung bình và phương sai có ổn định hay không, liệu các mô hình theo mùa có còn tồn tại hay không và liệu sự phụ thuộc còn lại có phù hợp với mô hình được lập kế hoạch hay không. Kết quả kiểm tra không chọn thứ tự sai phân một cách máy móc. Giữ nguyên các phép biến đổi cho dự báo nghịch đảo và tránh rò rỉ các quan sát trong tương lai vào việc lựa chọn tham số. Tính ổn định là một thuộc tính của quy trình hoặc quy trình được chuyển đổi, không phải là nhãn được đảm bảo bởi một giá trị p. Hiệu suất dự báo trên các quan sát sau này vẫn là kiểm tra thực tế xem biểu diễn được chọn có hỗ trợ cho phạm vi dự kiến hay không.
Một chuỗi hàng tháng giả định tăng đều đặn. Những khác biệt đầu tiên trừ đi giá trị của tháng trước khỏi mỗi giá trị hiện tại, biến xu hướng cấp độ thành những thay đổi theo từng tháng có thể ổn định hơn.
Thử nghiệm ADF không thể loại bỏ giá trị rỗng đơn vị gốc của nó trong khi KPSS từ chối giá trị rỗng cố định của nó. Các kết quả này cùng nhau hỗ trợ việc điều tra tính không cố định, nhưng không có thử nghiệm nào chứng nhận sự chuyển đổi chính xác.
Một chuỗi có xu hướng xác định sẽ bị loại bỏ xu hướng bằng cách điều chỉnh xu hướng thời gian và phân tích hành vi dư thừa, trong khi chuỗi sai phân có thể yêu cầu sai phân; quá trình dữ liệu sẽ cho biết cách tiếp cận nào phù hợp.
Sau khi sai phân một lần, nhà phân tích vẽ chuỗi biến đổi và kiểm tra phương sai, mô hình theo mùa và hiện tượng tự tương quan. Sự khác biệt thứ hai không được áp dụng tự động chỉ vì giá trị p kiểm tra vẫn còn bất tiện.
Quy trình làm việc theo chuỗi thời gian nên kết hợp các thử nghiệm về tính ổn định với sơ đồ, kiến thức về quy trình và xác thực dự báo thay vì dựa vào một kết quả đạt/không đạt. Các nhà phân tích có thể ghi lại thứ tự khác biệt, thời kỳ theo mùa và các điều khoản xác định, sau đó kiểm tra xem các phép biến đổi nghịch đảo có bảo toàn được cách diễn giải dự báo hay không. Việc theo dõi các khoảng nghỉ và thay đổi phương sai giúp xác định khi nào một biểu diễn đứng yên trước đó không còn phù hợp nữa. Khi có nhiều dữ liệu hơn, hãy kiểm tra lại và so sánh các dự báo về các giai đoạn sau. Các báo cáo tốt giải thích những gì đã được chuyển đổi và tại sao, để người dùng tiếp theo có thể phân biệt giả định mô hình ổn định với thuộc tính đã được xác minh của tất cả dữ liệu trong tương lai.
Bản tin miễn phí
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Chuỗi thời gian dừng có trạng thái thống kê ổn định theo thời gian, chẳng hạn như giá trị trung bình không đổi và cấu trúc tự hiệp phương sai trong điều kiện dừng yếu. Sự khác biệt có thể loại bỏ các xu hướng ngẫu nhiên, trong khi các thử nghiệm ADF và KPSS cung cấp bằng chứng bổ sung mà các giả thuyết vô hiệu phải được giải thích một cách cẩn thận.
Tính dừng yếu đòi hỏi hiệp phương sai phụ thuộc vào độ trễ phân tách hơn là vị trí thời gian tuyệt đối.
Sai phân thứ nhất áp dụng y_t - y_(t-1), tập trung vào những thay đổi liên tiếp.
Giá trị rỗng của ADF là nghiệm đơn vị; phương án thay thế là tính dừng theo các điều khoản xác định được chỉ định.
KPSS coi tính ổn định của cấp độ hoặc xu hướng là giá trị rỗng, bổ sung cho giá trị rỗng gốc đơn vị của ADF.
Sự khác biệt theo mùa so sánh các bước quan sát cách nhau, trong đó s là độ dài chu kỳ.
Tiếp tục học hỏi
Đã chọn thêm hướng dẫn cho chủ đề này
Tiếp theoHướng dẫn tiếp theo
Giải mã WFST trong nhận dạng giọng nói
kỹ thuật