18、时间序列学习数据收集的实用案例与方法

时间序列学习数据收集的实用案例与方法

1. 断点法提取训练数据示例

在时间序列数据处理中，提取类似阶跃响应的变化点是一项重要任务。这里采用了Cut - Out方法和断点法相结合的方式来提取数据。

1.1 交叉熵算法参数

交叉熵算法在断点法中有着重要应用，其相关参数如下表所示：
| 符号 | 含义 |
| ---- | ---- |
| Nmax | 要提取的最大断点数量 |
| ε | 截断值 |
| ρ | 确定精英样本大小 |
| M | 样本数量 |
| h | 最小异常宽度 |
| a′ | 平滑参数 |

1.2 Cut - Out方法参数

Cut - Out方法的提取条件参数如下：
1. 梯度容差：RP = 50%
2. 步前稳定性宽度评级比：FA = 20%
3. 满足上升和下降评级比的阶跃式功率变化点：PD = 20%

1.3 训练数据提取实例

通过Cut - Out和断点法提取阶跃式功率变化点，黑色线为Cut - Out方法的提取时间，虚线为断点法的提取时间。例如在19:28，由于该阶跃式功率变化点变化模糊，不满足Cut - Out方法的三个条件，所以未被Cut - Out方法提取，但断点法因概率分布变化明显可以提取该点。断点法提取阶跃响应的参数值如下表：
| 符号 | 值 |
| ---- | ---- |
| Nmax | 10 |
| ε | 0.01 |
| ρ | 0.05 |
| M | 200