Bayesian Autoregressive Online Change-Point Detection with Time-Varying Parameters

实际系统中的变化点标志着系统动态的重大转变，可能由外部或内部因素触发。这些点定义了系统时间演变的区域，并对理解金融、经济、社会、环境和技术等方面的转变至关重要。在\cite{c:07}引入贝叶斯方法的基础上，我们设计了一种新的方法，用于单变量时间序列均值的在线变化点检测，非常适合实时应用，并能够处理许多实证背景下数据所显示的一般时间模式。我们首先将时间序列描述为任意阶数的自回归过程。其次，数据的方差和相关性允许在每个区域内变化，由评分规则驱动更新参数值以更好地拟合观察结果。最后，在概率框架中通过当前区域长度的后验分布检测变化点。通过建模时间依赖性和时变参数，所提出的方法提高了估计精度和预测能力。使用各种数据集进行的实证验证证明了该方法在捕捉记忆和动态模式方面的有效性，为深入了解实际系统的非平稳动态提供了更深入的洞察。

本文试图解决实时监测时间序列均值中的变化点问题，以更好地理解金融、经济、社会、环境和技术等领域中的转换。

本文提出了一种新的基于贝叶斯方法的在线变化点检测方法，能够处理许多实际情况下数据显示的一般时间模式，并通过更新参数的评分规则来检测变化点。

本文的方法通过建模时间依赖性和时变参数来提高估计精度和预测能力，并在各种数据集上进行了实证验证，证明了其有效性。

最近的相关研究包括基于贝叶斯方法的其他变化点检测方法，如《A Bayesian approach to online changepoint detection》。