Détection de point de changement (Outils d'exploration des modèles spatio-temporels)
Résumé
Détecte les intervalles temporels où une propriété statistique de la série chronologique change pour chaque localisation d’un cube spatio-temporel.
L’outil peut détecter des changements de la valeur moyenne, de l’écart type ou de la tendance linéaire de variables continues, ainsi que des changements de la moyenne des variables de total. Le nombre de points de changement à chaque localisation peut être déterminé par l’outil ou un nombre défini de points de changement à utiliser pour toutes les localisations peut être spécifié. Les points de changement divisent chaque série chronologique en segments dans lesquels les valeurs possèdent une moyenne, un écart type ou une tendance linéaire similaire. Les points de changement étant définis comme constituant le premier intervalle temporel dans chaque nouveau segment, le nombre de points de changement est toujours inférieur de un par rapport au nombre de segments.
Illustration
Utilisation
Si le paramètre Method (Méthode) est défini sur Auto-detect number of change points (Détecter automatiquement le nombre de points de changement), le paramètre Detection Sensitivity (Sensibilité de la détection) est utilisé pour contrôler la sensibilité de la détection. Des valeurs de sensibilité plus élevées entraînent un plus grand nombre de points de changement à chaque localisation. Le choix du niveau de sensibilité est crucial pour les résultats de l’analyse. Il est recommandé d’essayer plusieurs valeurs et de comparer les résultats.
Pour les variables d’analyse représentant des totaux, l’option Count (Total) du paramètre Change Type (Type de changement) est souvent la plus appropriée pour détecter les changements dans la valeur moyenne des totaux. Toutefois, l’option Mean shift (Décalage moyen) peut fournir des résultats équivalents ou meilleurs pour des données de total. En effet, le modèle du type de changement de total considère que les valeurs de chaque segment suivent une distribution de Poisson dans laquelle la variance du segment est égale à sa valeur moyenne. Comme le type de changement de décalage moyen considère à la place que les valeurs de chaque segment sont normalement distribuées, la valeur moyenne peut être supérieure ou inférieure à la variance des valeurs.
Dans une distribution Poisson, la plupart des totaux se trouvent à environ moins de deux racines carrées de la valeur moyenne. Par exemple, pour une distribution Poisson dont la valeur moyenne est égale à 100, environ 95 % des totaux sont compris entre 80 et 120 (2 × sqrt(100) = 20). Pour une distribution Poisson dont la moyenne est égale à 1 million, la plupart des totaux se situent à entre 998 000 et 1 002 000 (la racine carée de 1 est égale à 1 000). La plage de totaux est comparativement plus étroite pour la moyenne supérieure de 1 million dans laquelle la plupart des totaux se trouvent à moins de 0,2 % de la valeur moyenne. Toutefois, dans la moyenne plus petite de 100, les totaux varient de jusqu’à 20 % de la valeur moyenne. Par rapport à leur valeur moyenne, si les valeurs des totaux varient plus qu’attendu d’une distribution Poisson, de nombreux intervalles temporels peuvent être détectés en tant que points de changement. Il s’agit d’un scénario courant avec les totaux élevés. Dans ce cas, il est recommandé de détecter le décalage moyen.
Cet outil accepte les fichiers netCDF créés par divers outils de la boîte à outils Space Time Pattern Mining toolbox (Exploration des modèles spatio-temporels).
La valeur du paramètre Output Features (Entités en sortie) est ajoutée à la fenêtre Contents (Contenu) avec un rendu dépendant du nombre de points de changement détectés à chaque localisation, avec les champs de date des premier et dernier points de changement. Les fenêtres contextuelles des entités comprennent un diagramme linéaire affichant les valeurs de série chronologique, les points de changement et les estimations de l’écart moyen ou type des segments entre chaque point de changement.
La propriété de date/heure de la couche de la valeur du paramètre Output Features (Entités en sortie) est basée sur la date du premier point de changement. Vous pouvez utiliser le curseur temporel pour filtrer les localisations en fonction de la date du premier point de changement. La propriété de date/heure de la couche peut être redéfinie sur la date du dernier point de changement dans les propriétés de la couche.
Le cube spatio-temporel en entrée est mis à jour avec les résultats de l’analyse et peut être utilisé en entrée de l’outil Make Space Time Cube Layer (Créer une couche de cube spatio-temporel) pour générer une couche de cube spatio-temporel. Vous pouvez visualiser les résultats d’analyse en 3D en sélectionnant le thème d’affichage Change Points (Points de changement) sur le ruban du cube spatio-temporel. Utiliser le cube spatio-temporel dans l’outil Visualize Space Time Cube in 2D (Visualiser le cube spatio-temporel en 2D) a pour effet de recréer la classe d’entités en sortie de la détection des points de changement.
Cet outil prend en charge le traitement parallèle pour analyser des localisations distinctes à travers différents nœuds de traitement et utilise 50 % des processeurs disponibles par défaut. Le nombre de processeurs utilisés peut être augmenté ou réduit à l’aide de l’environnement Parallel Processing Factor (Facteur de traitement parallèle).
Paramètres
| Etiqueter | Explication | Type de données |
|---|---|---|
|
Cube spatio-temporel en entrée |
Le cube spatio-temporel contenant la variable à analyser. Les cubes spatio-temporels présentent une extension de fichier |
File |
|
Variable d'analyse |
Variable numérique du cube spatio-temporel contenant les valeurs de série chronologique de chaque localisation. |
String |
|
Entités en sortie |
Classe d’entités en sortie qui contient les résultats de la détection des points de changement. La couche affiche le nombre de points de changement détectés pour chaque localisation et contient des diagrammes linéaires contextuels montrant les valeurs de série chronologique, les points de changement et des estimations de l’écart moyen et type de chaque segment. |
Feature Class |
|
Modifier le type (Facultatif) |
Indique le type de changement à détecter. Chaque option indique une propriété statistique de la série chronologique considérée comme constante dans chaque segment. La valeur est remplacée par une nouvelle valeur constante à chaque point de changement dans la série chronologique.
|
String |
|
Méthode (Facultatif) |
Indique si le nombre de points de changement est détecté automatiquement ou est spécifié par un nombre défini de points de changement utilisé pour toutes les localisations.
|
String |
|
Nombre de points de changement (Facultatif) |
Le nombre de points de changement à détecter à chaque localisation. La valeur par défaut est 1. |
Long |
|
Sensibilité de la détection (Facultatif) |
Un nombre compris entre 0 et 1 définit la sensibilité de la détection. Des valeurs plus élevées entraînent un plus grand nombre de points de changement détectés à chaque localisation. La valeur par défaut est 0,5. |
Double |
|
Longueur minimale de segment (Facultatif) |
Nombre minimal d’intervalles temporels au sein de chaque segment. Les points de changement divisent chaque série chronologique en segments dans lesquels chaque segment contient au moins ce nombre d’intervalles temporels. Pour un changement de la moyenne, de l'écart type et du total, la valeur par défaut est de 1, ce qui signifie que chacun des intervalles temporels peut être un point de changement. Pour un changement de pente (tenance linéaire), la valeur par défaut est de 2 car au moins deux valeurs sont requises pour tracer une ligne. La valeur doit être inférieure à la moitié du nombre d’intervalles temporels de la série chronologique. |
Long |
Environnements
Système de coordonnées en sortie, Facteur de traitement parallèle
Informations de licence
- Basic: Oui
- Standard: Oui
- Advanced: Oui