ruptures库介绍

ruptures库介绍

环境配置可以直接pip安装，但在github链接中有对其的user-guide介绍，其中包括：

• ruptures.base: base classes;
• ruptures.detection: search methods;
• ruptures.costs: costs functions;
• ruptures.datasets: data set generating utilities;
• ruptures.metrics: evaluation metrics;
• ruptures.show: display functions.
  其中search methods采用的算法，有binseg,bottomup,dynp,kernelcpd,pelt,window6种。

binseg

二进制变化点检测用于执行快速信号分割，并在[Binseg]中实现。它是一种顺序方法：首先，在完整的输入信号中检测一个变化点，然后围绕该变化点分割级数，然后对生成的两个子信号重复该操作。关于[Binseg][breakees.detection.Binseg.Binseg]的理论和算法分析，例如参见[Bai1997]和[Flyzlewicz2014]。二进制分割的好处包括低复杂度（O（Cnlogn）的数量级），其中n是样本数量C在一个子信号上调用所考虑的成本函数的复杂性），它可以扩展任何单个变化点检测方法来检测多个变化点，并且无论状态的数量是否事先已知，它都可以工作

Bottom-up segmentation

自下而上的变化点检测用于执行快速信号分割，并以顺序的方式在[BottomUp][breakuses.detection.BottomUp.BottomUp]中实现。与二进制分割（这是一种贪婪的过程）相反，自下而上的分割是慷慨的：它从许多变化点开始，然后依次删除不太重要的变化点。首先，将信号沿着规则网格划分为许多子信号。然后，根据它们的相似程度，连续的段被依次合并。例如，参见[Keogh2001]或[Freyzlewicz2007]，以获得[BottomUp][breakees.detection.BottomUp.BottomUp]的算法分析。自下而上分割的好处包括低复杂性（O（nlogn）的阶数，其中n是样本数），事实上，它可以扩展任何单个变化点检测方法来检测多个变化点，并且无论状态的数量是否事先已知，它都可以工作

Dynamic programming

该方法在[Dynp][tructures.detection.Dynp.Dynp]中实现，这是一个完整的本地python实现，用户可以选择在tructures.costs中定义的任何成本函数
它通过计算给定信号的所有子序列的成本来找到成本总和的（精确的）最小值。它被称为“动态编程”，因为使用动态编程方法对所有可能的分段进行搜索。
为了工作，用户必须提前指定要检测的更改数量。（当这个数字未知时，考虑使用惩罚方法。）
动态编程方法的复杂性为O（CKn2）阶，其中K是要检测的变化点的数量，n是样本的数量，C是在一个子信号上调用所考虑的代价函数的复杂性。因此，分段常数模型（模型=l2）明显快于线性或自回归模型。

Kernel change point detection

把时间序列信号使用一个核函数映射至一个空间，核变化点检测在于找到映射信号中的平均偏移，变点检测被建模为带惩罚的优化问题。 论文参考[Killick2012]

Linearly penalized segmentation

因为枚举所有可能的分区是不可能的，所以该算法依赖于修剪规则。许多索引被丢弃，大大降低了计算成本，同时保留了找到最优分割的能力。实施遵循【Killick2012】。此外，在变化点重新划分的某些条件下，平均计算复杂度为O（CKn）阶，其中K是要检测的变化点的数量，n是样本的数量，C是在一个子信号上调用所考虑的代价函数的复杂度。因此，分段常数模型（模型=l2）明显快于线性或自回归模型

Window-based change point detection

该算法使用两个沿数据流滑动的窗口。将每个窗口内的信号的统计特性与差异度量进行比较。如果滑动窗口属于同一分段，它们的统计特性相似，并且第一窗口和第二窗口之间的差异很低。如果滑动窗口分为两个不同的部分，则差异明显更大，这表明窗口之间的边界是一个变化点。形成差异曲线，并在差异曲线上执行顺序峰值搜索，以检测变化点。