Науковий вісник НГУ

Непараметричний критерій однорідності для селективного формування ансамблю сегментів часового ряду

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №3 2026

Останнє оновлення: 26 червня 2026

Опубліковано: 30 листопада -0001

Перегляди: 1442

Authors:

Ю. М. Головко*, orcid.org/0000-0001-6081-8072, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2026, (3): 133 - 145

https://doi.org/10.33271/nvngu/2026-3/133

Abstract:

Мета. Розробка критерію перевірки однорідності сегментів часового ряду, які послідовно об’єднуються в ансамбль сегментів, що є передумовою отримання статистично значущих оцінок ряду.

Методика. Основою дослідження є ймовірнісний аналіз і статистичне моделювання. Значну частину дослідження складає доведення адекватності запропонованого критерію, що включає співставлення й демонстрацію переваг відносно відомого критерію. Статистика запропонованого критерію базується на статистиці двовибіркового критерію однорідності Колмогорова-Смірнова.

Результати. Показано, що при застосуванні запропонованого критерію для перевірки однорідності ансамблю із фіксованою кількістю сегментів, цей критерій дає результати близькі до результатів відомого критерію Жанга. Переваги запропонованого критерію виявляються при послідовному оцінюванні можливості включення сегментів у ансамбль. У такому випадку кількість «втрачених» сегментів може буте зменшена в рази. Область використання критерію обмежена наведеними досить широкими інтервалами параметрів, що приймалися при статистичному моделюванні.

Наукова новизна. Розроблено новий критерій формування ансамблю однорідних сегментів часового ряду. Критерій не вимагає проведення статистичного моделювання для визначення функцій розподілу статистики критерію при зміні кількості відліків у сегментах і кількості сегментів у ансамблі.

Практична значимість. Використання запропонованого критерію може забезпечити суттєве підвищення статистичної значущості оцінок стану процесу, що представлений у вигляді рівномірного часового ряду.

Ключові слова: непараметричний критерій однорідності, часовий ряд, ансамбль сегментів, випадковий процес

References.

1. Wu, Y., Zhang, L., Gu, Z., Lu, H., & Wan, S. (2023). Edge-AI-driven framework with efficient mobile network design for facial expression recognition. ACM Transactions on Embedded Computing Systems, 22(3), 1-17. https://doi.org/10.1145/3587038

2. Yuan, B., & Zhao, D. (2024). A survey on continual semantic segmentation: Theory, challenge, method and application. IEEE Transactions on Pattern Analysis and Machine Intelligence. Retrieved from https://arxiv.org/pdf/2310.14277

3. Lauriola, I., Lavelli, A., & Aiolli, F. (2022). An introduction to deep learning in natural language processing: Models, techniques, and tools. Neurocomputing, 470, 443-456. https://doi.org/10.1016/j.neucom.2021.05.103

4. Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: principles and practice. OTexts. Retrieved from https://otexts.com/fpp2/

5. Plaga, L. S., & Bertsch, V. (2025). Optimization based priority clustering for time series in power system models-improving system robustness and storage deployment. Sustainable Energy, Grids and Networks, 101802. https://doi.org/10.2139/ssrn.5135673

6. Abdulsahib, A. K., Balafar, M. A., & Baradarani, A. (2024). DGBPSO-DBSCAN: An optimized clustering technique based on supervised/unsupervised text representation. IEEE Access, 12, 110798-110812.

7. Bisharat, A. (2023). Comparing Algorithm Performance in Machine Learning for Landslide Susceptibility Studies: An Overview. Journal of Artificial Intelligence Research & Advances. https://doi.org/10.37591/JOAIRA

8. Babets, D., Opilski, Z., Hnatushenko, V., Kashtan, V., Michal­czuk, A., Sdvyzhkova, O., Maciak, E., & Cyran, K.A. (2025). Isolation Forest as a Tool for Entangled Photon Detection. 2025 11^th International Conference on Control, Decision and Information Technologies (CoDIT), 1, 930-935, https://doi.org/10.1109/CoDIT66093.2025.11321541

9. Cao, J., Miao, J., Tao, H., Wang, Y., Wu, J., Wang, Z., & Wu, X. (2025). Generative Models for Time Series Anomaly Detection: A Survey. IEEE Transactions on Artificial Intelligence. Retrieved from https://ieeexplore.ieee.org/document/11184472

10.      Liang, X., Zhang, L., & Zhao, J. (2025). AT-LSTM-CUSUM Digital Intelligent Model for Seepage Safety Prediction of Concrete Dam. Structural Control and Health Monitoring, 2025(1), 8518538.

11.      Peerajit, W. (2025). A Novel Numerical Integration Equation Approach using the Gauss-Legendre Quadrature to Approximate the Average Run Length of Time-Series Model Running on a CUSUM Control Chart. WSEAS Transactions on Systems, 24, 345-358.

12.      Liu, S., Yamada, M., Collier, N., & Sugiyama, M. (2013). Change-point detection in time-series data by relative density-ratio estimation. Neural Networks, 43, 72-83. https://doi.org/10.48550/arXiv.1203.0453

13.      Xie, L., Moustakides, G. V., & Xie, Y. (2023). Window-limited CUSUM for sequential change detection. IEEE Transactions on Information Theory, 69(9), 5990-6005. https://doi.org/10.48550/arXiv.2206.06777

14.      Heinrichs, F. (2025). Self-Normalization for CUSUM-based Change Detection in Locally Stationary Time Series. arXiv preprint arXiv :2509.07112. https://doi.org/10.48550/arXiv.2509.07112

15.      Lopes, J. F., Barbon Junior, S., & de Melo, L. F. (2025). Online Meta-Recommendation of CUSUM Hyperparameters for Enhanced Drift Detection. Sensors, 25(9), 2787. https://doi.org/10.3390/s25092787

16.      Liang, Y., Tartakovsky, A. G., & Veeravalli, V. V. (2022). Quickest change detection with non-stationary post-change observations. IEEE Transactions on Information Theory, 69(5), 3400-3414.

17.      Wang, H., & Xie, Y. (2023). Sequential change-point detection: Computation versus statistical performance. Wiley Interdisciplinary Reviews: Computational Statistics, 16(1), e1628. https://doi.org/10.48550/arXiv.2210.05181

18.      Kuncheva, L. I., & Faithfull, W. J. (2013). PCA feature extraction for change detection in multidimensional unlabeled data. IEEE transactions on neural networks and learning systems, 25(1), 69-80.

19.      Faithfull, W. J. (2018). Unsupervised change detection in multivariate streaming data. Bangor University (United Kingdom). Retrieved from https://www.researchgate.net/publication/328580385_Unsupervised_Change_Detection_in_Multivariate_Streaming_Data

20.      Yamada, M., Kimura, A., Naya, F., & Sawada, H. (2013, August). Change-Point Detection with Feature Selection in High-Dimensional Time-Series Data. IJCAI, 13, 1827-1833.

21.      Ermshaus, A., Schäfer, P., & Leser, U. (2023). ClaSP: parameter-free time series segmentation. Data Mining and Knowledge Discovery, 37, 1262-1300 https://doi.org/10.1007/s10618-023-00923-x

22.      Tsai, YHH., Wu Y., Salakhutdinov, R., & Morency, L.-P. (2020). Demystifying self-supervised learning: an information theoretical framework. arXiv preprint. https://doi.org/10.48550/arXiv.2006.05576

23.      Domingos, P. (2012). A few useful things to know about machine learning. Communications of the ACM, 55(10), 78-87. https://doi.org/10.1145/2347736.2347755

24.      Aliferis, C., & Simon, G. (2024). Overfitting, underfitting and general model overconfidence and under-performance pitfalls and best practices in machine learning and AI. Artificial intelligence and machine learning in health care and medical sciences, 477-524. https://doi.org/10.1007/978-3-031-39355-6_10

25.      Northcutt, C., Athalye, A., & Mueller, J. (2021). Pervasive Label Errors in Test Sets Destabilize Machine Learning Benchmarks. ­arXiv.2103.14749. https://doi.org/10.48550/arXiv.2103.14749

26.      Gong, Y., Liu, G., Xue, Yu., Li, R., & Meng, L. (2023). A survey on dataset quality in machine learning. Information and Software Technology, 162, 107268, https://doi.org/10.1016/j.infsof.2023.107268.

27.      Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature machine intelligence, 1(5), 206-215. https://doi.org/10.1038/s42256-019-0048-x

28.      Messeri, L., & Crockett, M. J. (2024). Artificial intelligence and illusions of understanding in scientific research. Nature, 627(8002), 49-58. https://doi.org/10.1038/s41586-024-07146-0

29.      Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2018). Statistical and Machine Learning forecasting methods: Concerns and ways forward. PloS one, 13(3), e0194889. https://doi.org/10.1371/journal.pone.0194889

30.      Cerqueira, V., Torgo, L., & Soares, C. (2019). Machine learning vs statistical methods for time series forecasting: Size matters. arXiv preprint arXiv:1909.13316. https://doi.org/10.48550/arXiv.1909.13316

31.      Shumway, R. H., & Stoffer, D. S. (2016). Time series analysis and applications. Retrieved from https://swmprats.net/stoffer/tsa4/tsaEZ.pdf

32.      Afriyie, J. K., Twumasi-Ankrah, S., Gyamfi, K. B., Arthur, D., & Pels, W. A. (2020). Evaluating the performance of unit root tests in single time series processes. Mathematics and Statistics, 8(6), 656-664. https://doi.org/10.13189/MS.2020.080605

33.      Herranz, E. (2017). Unit root tests. Wiley Interdisciplinary Reviews: Computational Statistics, 9(3), e1396. https://doi.org/10.1002/wics.1396

34.      Smeeton, N., Spencer, N. H., & Sprent, P. (2025). Applied nonparametric statistical methods. CRC press. https://doi.org/10.1201/9780429326172

35.      Stanley, R. P. (2012). Enumerative Combinatorics: Volume 1 (2^nd ed.). Cambridge University Press, ISBN:978-1-107-60262-5.

36.      Rolke, W. (2024). Simulation Studies For Goodness-of-Fit and Two-Sample Methods For Univariate Data. arXiv preprint arXiv: 2411.05839. https://doi.org/10.48550/arXiv.2411.05839

37.      Cui, X., Geng, H., Wang, G., Wang, Z., & Zou, C. (2025). ART: Distribution-Free and Model-Agnostic Changepoint Detection with Finite-Sample Guarantees. arXiv preprint arXiv: 2501.04475.
https://doi.org/10.48550/arXiv.2501.04475

38.      Holovko Yu. (2023). Spectral estimation of a broadband time-limited noise signal. Scientific Journal “Mathematical Modeling”, 2(49), 86-97. https://doi.org/10.31319/2519-8106.2(49)2023.292638

39.      Golovko, Yu., & Sdvyzhkova, O. (2024). Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu, (4), 114-120. https://doi.org/10.33271/nvngu/2024-4/114

• < Попередня
• Наступна >