使用 tsclean() 删除 R 中的时间序列离群值 - 调整对离群值的敏感度

Question

我在 R 中有一个时间序列对象，其中包含来自测量自行车交通模式的传感器的数据。 我想删除代表测量错误的异常值。 通过目视检查可以轻松识别测量误差。 数据具有每年和每周的季节性，这似乎混淆了预测包中 tsclean() 函数中使用的过程，该函数是为此任务设计的。

我不想手动执行此操作，因为我将自动化大约 30 个时间序列对象的过程。

如何调整 tsclean() 函数，使其对每周周期不太敏感？

请帮忙！谢谢。

我使用以下代码来删除异常值并绘制结果以进行目视检查。 抱歉，ts 对象太大，无法在此处生成示例。

1。没有变形

library(forecast)

no_outlier <-  tsclean(ts_Rachel_HoteldeVille, lambda = NULL)
plot(ts_Rachel_HoteldeVille, col='black', lwd=2)
lines(no_outlier, col = "red", lwd=2)
title(main = "No transformation")

异常值由黑线表示。应该只删除大约 9 个数据点。 清理后的数据为红色。 它太敏感并且正在删除代表正常每周变化的数据点

2。 Box Cox 应用

no_outlier_boxcox <-  tsclean(ts_Rachel_HoteldeVille, lambda = "auto")
plot(ts_Rachel_HoteldeVille, col='black', lwd=2)
lines(no_outlier, col = "orange", lwd=2)
title(main = "Box Cox applied")

我还尝试应用 Box-Cox 变换，它提供了更好的结果，但并不完美。 在本例中，橙色线代表“已清理”的时间序列。 它仍在删除某些非异常值数据点，但实际上保留了明显的异常值。

Answer 1

tsclean()

将 MSTL 模型拟合到时间序列，然后删除季节性分量。接下来，它拟合“超级平滑”来对趋势进行建模，并将其从季节性调整后的数据中删除。最后，它使用与 Tukey 原始箱线图中“远出”值相同的阈值来识别剩余序列中的异常值。请参阅 https://robjhyndman.com/hyndsight/tsoutliers/ 了解详细信息。

如果它不适用于您的数据，您可以执行类似的操作，但找到一种更适合您的应用程序的季节性和/或趋势建模方法。关键思想是以某种方式对信号进行建模，将其删除，然后在剩下的内容中找到异常值。