Найсучасніший метод (и) для пошуку нульових середніх частин часового ряду

У мене є шумні часові ряди, які мені потрібно сегментувати на ті ділянки з нульовою середньою, а ті ділянки без нульового середнього. Важливо знайти межі якомога точніше (чітко, де межа точно лежить, трохи суб'єктивно). Я думаю, що варіант кузуму може бути пристосований для цього, але оскільки в основному йдеться про пошук одиночних змін, які залишають всю стратегію сегментації повністю без уваги.

Я впевнений, що ця проблема була проведена, але не вдалося її знайти.

PS Кількість даних у цих часових рядах досить велика, тобто до сотень мільйонів зразків, і окремий зразок може бути вектором з парою сотень компонентів, тому метод, який досить швидко можна обчислити, є важливим фактором .

PPS Не існує тега сегментації, звідси і тега класифікації.

Здається, що головним питанням є ефективне виявлення точки зміни, оскільки після цього середнє значення сегмента можна знайти тривіально зі збільшенням точності в кількості зразків. Одного разу недавній підхід, який може бути цікавим, - це З. Харчау, Ф. Бах та Е. Мулінес. Аналіз зміни точки ядра, Досягнення в системах нейронної обробки інформації (NIPS), 2008.

Це може бути не найсучаснішим, але інтуїтивний метод може згладити дані, розмістивши ваги на спостереженнях, близьких до кожної точки часу. Отже, якщо ви хочете знати, чи має зразок R нульове значення в момент T:

mu(R,T)=w1*Sample(R,T)+w2*Sample(R,T-1)+w3*Sample(R,T+1)....

Можливо, експоненціальні ваги можуть бути хорошим вибором, залежно від визначення місця, де лежить межа.

Після подбання про деякі технічні деталі, такі як визначення на початку та в кінці кожного зразків, тепер ви можете просто перевірити, чи достатньо кожного мю близько до нуля, щоб знайти точки, де середнє значення дорівнює нулю.