Scalable structural break detection

Tamas Elteto 1 Nikolaus Hansen 1 Cecile Germain-Renaud 1, 2 Pascal Bondon 3
1 TAO - Machine Learning and Optimisation
LRI - Laboratoire de Recherche en Informatique, UP11 - Université Paris-Sud - Paris 11, Inria Saclay - Ile de France, CNRS - Centre National de la Recherche Scientifique : UMR8623
3 Division Signaux - L2S
L2S - Laboratoire des signaux et systèmes : 1289
Abstract : This paper deals with a statistical model fitting procedure for non-stationary time series. This procedure selects the parameters of a piecewise autoregressive model using the Minimum Description Length principle. The existing chromosome representation of the piecewise autoregressive model and its corresponding optimisation algorithm are improved. First, we show that our proposed chromosome representation better captures the intrinsic properties of the piecewise autoregressive model. Second, we apply an optimisation algorithm, the Covariance Matrix Adaptation - Evolution Strategy, with which our setup converges faster to the optimal fit. Our proposed method achieves at least one order of magnitude performance improvement compared to the existing solution.
Type de document :
Article dans une revue
Applied Soft Computing, Elsevier, 2012, 〈10.1016/j.asoc.2012.06.002〉
Liste complète des métadonnées

https://hal.inria.fr/hal-00711843
Contributeur : Cecile Germain <>
Soumis le : lundi 25 juin 2012 - 20:38:19
Dernière modification le : mardi 2 octobre 2018 - 15:14:02
Document(s) archivé(s) le : mercredi 26 septembre 2012 - 03:05:45

Fichier

cmaes_for_segmentation_revisio...
Fichiers produits par l'(les) auteur(s)

Identifiants

Collections

Citation

Tamas Elteto, Nikolaus Hansen, Cecile Germain-Renaud, Pascal Bondon. Scalable structural break detection. Applied Soft Computing, Elsevier, 2012, 〈10.1016/j.asoc.2012.06.002〉. 〈hal-00711843〉

Partager

Métriques

Consultations de la notice

1066

Téléchargements de fichiers

368