Moving Average Outlier Erkennung

Ich arbeite mit einer großen Menge an Zeitreihen. Diese Zeitreihen sind grundsätzlich Netzwerkmessungen, die alle 10 Minuten kommen, und einige von ihnen sind periodisch (d. H. Die Bandbreite), während einige andere arent (d. h. die Menge an Routing-Verkehr). Ich möchte eine einfache Algorithmus für eine Online-Outlier-Erkennung. Grundsätzlich möchte ich die gesamten historischen Daten für jede Zeitreihe im Speicher (oder auf der Festplatte) speichern und jeden Ausreißer in einem Live-Szenario (jedesmal, wenn ein neues Sample erfasst wird) erkennen. Was ist der beste Weg, um diese Ergebnisse zu erzielen Im derzeit mit einem gleitenden Durchschnitt, um etwas Rauschen zu entfernen, aber dann was nächsten Einfache Dinge wie Standardabweichung, verrückt. Gegen den ganzen Datensatz funktioniert nicht gut (ich kann nicht davon ausgehen, die Zeitreihen sind stationär), und ich möchte etwas genauer, idealerweise eine Black Box wie: wo Vektor ist das Array von Doppel mit den historischen Daten, und der Rückgabewert ist Die Anomalie für den neuen Probenwert. Ich schlage vor, das Schema unten, die implementiert werden sollte in einem Tag oder so: Sammeln Sie so viele Samples wie Sie im Speicher halten können Offensichtliche Ausreißer mit der Standardabweichung für jedes Attribut berechnen und speichern Sie die Korrelationsmatrix Und auch der Mittelwert jedes Attributes Berechnen und speichern Sie die Mahalanobis-Abstände aller Ihrer Proben Berechnen Ausreißer: Für die einzelne Probe, von denen Sie wissen wollen, ihre Ausreißer: Abrufen der Mittel, Kovarianzmatrix und Mahalanobis Entfernung s aus dem Training Berechnen Sie die Mahalanobis Abstand d Für Ihre Probe Geben Sie das Perzentil, in dem d fällt (mit dem Mahalanobis Distanzen aus dem Training) Das wird Ihre Outlier Punktzahl: 100 ist ein extremer Ausreißer. PS. Bei der Berechnung der Mahalanobis Distanz. Verwenden Sie die Korrelationsmatrix, nicht die Kovarianzmatrix. Dies ist robuster, wenn die Probenmessungen in Einheit und Anzahl variieren. Executive Zusammenfassung Ereignis stellt das Vorkommen einer Gelegenheit in der realen Welt, die erhebliche Auswirkungen auf die Nachfrage Geschichte haben können. Die Identifizierung dieser Ereignisse und die Beseitigung ihrer Wirkung aus der Nachfrage Geschichte ist wichtig, um eine gute Qualität Prognose zu erreichen. Im Erweiterungspaket 2 von SAP SCM 7.0 kann die Beeinflussung systematischer und unsystematischer Ereignisse modelliert werden. Diese Ereignisse basieren auf Ereignistypen, die ihre Bedeutung, Regel der Wiederholung und Länge in einer bestimmten Schaufelgröße beschreiben. Promotions und Event Planning hat folgende Geschäftsvorteile: In vielen Branchen haben Konsumgüter, Promotions und Events einen enormen Einfluss auf den Absatz. Diese Funktionalität hilft bei der Anpassung der Verkaufsgeschichte, um nicht geförderte historische Daten für die Basisprognose zu erhalten. Es bietet die Business-Fähigkeit, die Prognose mit oder ohne promotionsevents Wirkung zu bestimmen. Funktionsübersicht In APO DP existiert bereits eine Funktionalität der Promotion-Planung zur Planung von Promotions. Die Ereignisgenerierungsfunktionalität unterscheidet sich von der Funktionalität der Angebotserstellung wie folgt: In der vorhandenen Aktionsplanungsfunktionalität erstellen Sie in der APO-DP in der Planungsmappe Aktionen in absoluter Menge oder in Prozent (z. B. der Prognose) manuell. Sie wählen die Merkmale für die geplante Förderung und ordnen sie den Promotions zu. Die Promotions für zukünftige Perioden können mit Hilfe von Beförderungsmustern wiederhergestellt werden, die in der Vergangenheit aufgetreten sind. Allerdings ist in dieser Funktionalität die Eingabe, die in der Promotion-Kennzahl gespeichert ist, alle manuell, ob in absoluten oder Prozentangaben definiert. Die historischen Daten können auch unter Berücksichtigung vergangener Aktionen und Ausreißerkorrekturen basierend auf Einstellungen im Prognoseprofil korrigiert werden. Diese Korrektur basiert jedoch auf den in den Aktionen gespeicherten manuellen Mengen. Die in diesem Whitepaper erläuterte Funktion zur automatischen Ereignisgenerierung ermöglicht es dem System, die Ausreißer und Variationen aus den historischen Daten anhand des Ereignistypkonzepts automatisch zu erkennen. Im Ereignistyp beschreiben Sie seine Bedeutung, Regel des Auftretens, Länge und Periodizität. Das System identifiziert dann automatisch die Auswirkungen von Ereignissen auf historische Daten basierend auf ihrer Definition und den Konfigurationseinstellungen für die Ausreißererkennung und die Schwellenprozentsätze, die in diesem Papier erläutert werden. Das System kann auch zukünftige Ereignisse basierend auf den identifizierten historischen Ereignissen abschätzen. Im Gegensatz zur bisherigen Beförderungsplanung kann die Erzeugung von Preisänderungsereignissen auch mit dieser Funktionalität modelliert werden, wobei der kurzfristige Effekt der Preisänderung auf Anforderung durch das System abgeschätzt werden kann. Prozessbeschreibung und Flussdiagramm Ereignistypen definieren das Konzept eines Ereignisses. Zum Beispiel, wenn die Thanksgiving 2015 ist ein Ereignis, ist die Veranstaltung Typ Thanksgiving. Die Ereignistypen haben die Periodizität (Tag, Woche oder Monat) und Dauer. Sie können auch die Perioden vor und nach dem Auftreten des tatsächlichen Ereignisses angeben, in dem die Nachfrage beeinflusst wird. Die Ereignistypen können auch wieder aufgetreten werden, können Sie die Ereignistypwiederholung anhand folgender Kriterien definieren: Eine einfache Rekursionsdefinition (zB der 15. eines jeden zweiten Monats) Ein Urlaub aus einem Feiertagskalender (zB Weihnachten) 8211 Dies ist relevant Für bewegte Ereignisse Ostern, die je nach Jahr wechseln können. Ereignistypen können Ereigniskatalogen zugeordnet werden. Ereigniskataloge sind grundsätzlich die hierarchischen Gruppierungen von Ereignistypen. US Feiertage (Eventkatalog) Danksagung (Veranstaltungstyp) Weihnachten (Ereignistyp) Die Planungsprozesse, die konfiguriert werden können, um Ereignistypen und Ereigniskataloge zu berücksichtigen, sind univariate Vorhersage, Ausreißererkennung und interaktive Bedarfsplanung. Der kurzfristige Effekt von Preisveränderungen auf die Nachfrage kann auch modelliert werden und kann genutzt werden, um den Einfluss von geplanten Preisveränderungen in der Zukunft abzuschätzen. Das folgende Ablaufdiagramm zeigt den Bedarfsplanungsprozess. Die Ereignisgenerierungsfunktionalität beeinflusst die in roten Kästchen hervorgehobenen Prozesse. 1. Saubere historische Daten: In diesem Prozessschritt werden die Ereignisse aus den historischen Daten unter Verwendung der Ereignisgenerierungsfunktionalität identifiziert. 2. Baselineprognose generieren: Baselineprognose wird basierend auf dem bereinigten Verlauf ab Punkt 1 generiert. 3. Prognoseanpassungen basierend auf Promotions: Zukünftige Ereignisse können geschätzt werden, die für Prognoseanpassungen verwendet werden können. Designüberwachung amp Konfiguration Die Planungsprozesse, die für die Ereignistypen und Ereigniskataloge konfiguriert werden können, sind univariate Prognose, Ausreißererkennung und interaktive Bedarfsplanung. Um die automatische Ereignisfunktionalität nutzen zu können, muss die Business Function SCMAPOFORECASTING1 (SCM-APO-FCS, Events und Outliers, Causals, ABCXYZ Classification) aktiviert sein. Nach dem Aktivieren der oben genannten Business Function stehen Ihnen im SAP Easy Access Menü weitere T-Codes zur Verfügung, die sich auf die Funktionalität von Ereignissen beziehen: Die nachfolgenden Diagramme zeigen die Konfigurationsschritte, die für die Einrichtung von Funktionalitäten für die automatische Outlier-Erkennung und Ereignisgenerierung und - erzeugung erforderlich sind Zeigen Sie die Ereignishistorie-Kennzahl im Bedarfsplanungsbuch an, in der die automatisch identifizierten Ereignisse geschrieben werden, um die rohe Verkaufsgeschichte zu reinigen. Um Ereignisse, Ereignistypen und Veranstaltungskataloge zu definieren, zu bearbeiten und zu löschen: Erweiterte Planung und Optimierung gt Bedarfsplanung gt Umgebung gt Bedarfsplanung Arbeitsvorrat Die Ereignistypen werden Ereigniskatalogen für hierarchische Gruppierungen zugeordnet: So konfigurieren Sie, wie das System Ereignisse und Schätzungen erfassen soll Künftigen Ereignissen folgen Sie dem folgenden Menüpfad im Customizing - Erweiterte Planung und Optimierung gt Supply Chain Planning gt Bedarfsplanung (DP) gt Grundeinstellungen gt Ereignisse und Ausreißer gt Konfigurieren der Ausreißererkennung und der Ereigniskatalogzuordnungen Hier können Sie die Einstellungen wie im Bild Abbildung unten: Innerhalb von Outlier-Erkennungsprofilen definieren Sie die unteren und oberen Schwellen in Prozent, um einem Ausreißer während der Ausreißererkennung einen bestimmten Ereignistyp zuzuordnen. Im nächsten Knoten definieren Sie Ihre Planungsbereiche und Planungsebenen, auf denen das System Ereignisse erkennen soll. Hinweis: Sie können nur eine Planungsebene für einen Planungsbereich definieren. Planungsstufen werden in einem separaten t-Code definiert. - Erweiterte Planung und Optimierung gt Bedarfsplanung gt Umgebung gt Aktuelle Einstellungen gt Planungsstufen festlegen Die folgende Abbildung zeigt, dass die Planungsebene auf der Ebene der Kanalmerkmale definiert ist. Hinweis: Wenn Sie eine Planungsebene erstellen, müssen Sie sicherstellen, dass die Reihenfolge der Merkmale eine hierarchische Beziehung von allgemein zu spezifisch darstellt. Darüber hinaus muss die Förderungsplanungsebene die letzte Ebene in der Planungsebenendefinition sein. Outlier-Erkennungsperioden: Hier legen Sie die Anzahl der Perioden fest, die das System vor der eigentlichen Periode berücksichtigen soll, wenn es während der Ausreißererkennung den tatsächlichen Periodendurchschnitt berechnet. Eventkataloge werden dem Planungsbereich im nächsten Knoten zugewiesen: Für die Konfiguration der zukünftigen Ereignisgenerierung legen Sie den Ereignistyp, die Anzahl der historischen Ereignisse und die Berechnungsmethode für die Schätzung der Auswirkungen von historischen Ereignissen auf zukünftige Ereignisse fest. Automatischer Outlier-Erkennungs - und Ereignisgenerierungsbericht Mit diesem Bericht identifizieren Sie die Auswirkungen unterschiedlicher Ereignisse auf die historische Nachfrage. Das System sucht Ausreißer in der historischen Nachfrage nach den im Customizing definierten Einstellungen. Nachdem Sie den Bericht ausgeführt haben, können Sie diese systemidentifizierten Ereignisse während der Prognose verwenden, um die Auswirkungen zukünftiger Ereignisse abzuschätzen. Darüber hinaus können Sie die Geschichte von den Auswirkungen der Ereignisse während der Prognose zu reinigen. Erweiterte Planung und Optimierung gt Bedarfsplanung gt Planung gt Promotion gt Automatische Outlier-Erkennung und Ereignisgenerierung In der Prognose können Sie auch festlegen, dass das System die vom Bericht Automatische Ausreißererkennung und Ereignisgenerierung erstellten Ereignisse berücksichtigen soll. Das bedeutet, dass das System die Auswirkungen der Ereignisse aus der Historie entfernt, die als Grundlage für die Prognose dienen. Sie können die Prognose auch so konfigurieren, dass das System die zukünftigen Vorkommen von Ereignistypen anhand des Durchschnittswerts vergangener Ereignisse des gleichen Typs schätzt. Wählen Sie auf der Registerkarte Univariate Profile im Bereich Event-Typen das Kontrollkästchen Automatisch schätzen aus. Voraussetzungen für das Ausführen des Berichts: Bevor Sie den automatischen Ausreißer-Bericht ausführen, stellen Sie Folgendes sicher: Sie haben eine Kennzahl zugeordnet, um die Auswirkungen von Ereignissen zu speichern und die Förderungsebene für Ihren Planungsbereich zu pflegen. Da die Auswirkungen von Ereignissen entweder negativ oder positiv gegenüber der tatsächlichen Verkaufsgeschichte sein können, sollten Sie dem System erlauben, negative Werte in dieser Kennzahl zu speichern. Sie haben im Customizing eine Planungsebene definiert. Sie haben die Einstellungen in 8220Configure Outlier Detection und Event Catalog Assignmentsrdquo definiert. Outlier-Erkennungsprofile, Ereigniskatalogzuordnung zum Planungsgebiet, wie in Abschnitt 2 erwähnt Ausreißererkennungslogik Das System nimmt den Bedarfsverlauf im vorgegebenen Zeithorizont als Grundlage für die Ausreißererkennung. Wenn eine bestimmte Kombination am Anfang oder am Ende des Horizonts keine Historie hat, passt das System den Ausreißer-Erfassungshorizont an, indem die Perioden, die keine historischen Daten haben, vom Beginn und vom Ende des Horizonts entfernt werden. Das System berechnet einen gleitenden Durchschnitt für die Anzahl der im Customizing konfigurierten Perioden und prüft, ob der aktuell verarbeitete Zeitraum die Schwelle erreicht, die Sie im Outlier-Erkennungsprofil definiert haben. Das System verarbeitet die Ausreißer in der Größenordnung, was bedeutet, dass es zunächst die Historie für die Periode korrigiert, die die größte Abweichung aufweist. Diese Iteration stellt sicher, dass die Ausreißer, die sonst den gleitenden Durchschnitt verzerren würden, zuerst behandelt werden. Massenerzeugung von Ereignissen Mit diesem Report erstellen Sie Ereignisse für einen bestimmten Zeitraum, der sich in der Zukunft oder in der Vergangenheit befindet. Sie können ein Ereignis mit den gleichen Parametern für mehrere Planungsobjekte anlegen. Nachdem Sie den Bericht ausgeführt haben, können Sie die Ereignisse, die das System gefunden hat, während der Prognose verwenden, um die Auswirkungen zukünftiger Ereignisse abzuschätzen. Darüber hinaus können Sie die Geschichte von den Auswirkungen der Ereignisse während der Prognose zu reinigen. Wenn das von Ihnen angegebene Termindatum in der Zukunft liegt, berechnet das System die Auswirkungen des Ereignisses auf Basis der historischen Ereignisse des gleichen Typs. Wenn das Ereignisdatum, das Sie angegeben haben, in der Vergangenheit liegt, berechnet das System die Auswirkungen des Ereignisses.8217s aus den historischen Daten. Das Ereignisdatum ist 27. November 2014 und Sie haben Ereignistyp in monatlichen Buckets definiert. In der Ereignisdefinition des Ereignisses definieren Sie den Effekt des Ereignisses 1 Zeitraum vor und 1 Zeitraum nach dem tatsächlichen Ereignis Datum und die tatsächliche Ereignisdauer ist 1 Zeitraum lang. In diesem Fall erzeugt das System das Ereignis ab dem 1. Oktober 2014, das drei Perioden dauert. Schätzung zukünftiger Ereignisse Das System bestimmt die Auswirkungen von Ereignissen in der Vergangenheit, um die Ereignisse in der Zukunft abzuschätzen. Das System führt künftige Ereignisabschätzungen bei jedem Prognosevorgang oder manuelles Erstellen oder Löschen eines historischen Ereignisses durch. Das System schätzt zukünftige Ereignisse, wenn die folgenden Voraussetzungen erfüllt sind: Sie haben die Einstellungen für die zukünftige Ereignisabschätzung im Customizing gepflegt. Es gibt historische Ereignisse im System, auf deren Grundlage das System zukünftige Ereignisse berechnen kann. Sie haben Ereignisse im zukünftigen Horizont erstellt, Schätzungen während der zukünftigen Ereignisabschätzung oder das Kontrollkästchen Automatisches Schätzen automatisch schätzen in den univariaten Prognoseprofileinstellungen markieren. Sie haben alle anderen Einstellungen wie oben in Abbildung 1 angegeben festgelegt. Preisänderungsereignisse Preisänderungsereignisse modellieren die kurzfristigen Auswirkungen von Preisänderungen auf die Nachfrage. Das System kann die Preisänderungsereignisse anhand der Änderungen der Preiskennzahl abschätzen. Beispielsweise könnte die Nachfrage unmittelbar vor einer Preiserhöhung steigen und direkt danach fallen. Im Bericht Automatische Outlier-Erkennung und Ereignisgenerierung können Sie in der Vergangenheit Preisänderungsereignisse auf der Basis historischer Preis - und Bedarfsdaten erstellen. Das System nutzt den Einfluss der Preisänderungsereignisse in der Vergangenheit, um den kurzfristigen Effekt von geplanten Preisänderungen in der Zukunft abzuschätzen und nutzt die Ergebnisse in der Prognose. Im Folgenden finden Sie die Voraussetzungen für die Verwendung der Funktion zur Preisänderungserkennung: Einstellungen im Planungsbereich: Preiseinstellungen einstellen. Definieren Sie hier die Preiskennzahl, den Preisänderungsereignistyp und die Preisänderungsschwelle. Im Feld Preisänderungsereignisart sollten Sie einen nicht wiederkehrenden Ereignistyp auswählen, den Sie im Arbeitsvorrat der Bedarfsplanung angelegt haben. Der Bucket, mit dem Sie die Ereignistypdauer (z. B. Woche) definieren, muss mit dem Bucket übereinstimmen, mit dem Sie Preisänderungsereignisse im Bericht Automatische Outlier-Erkennung und Ereignisgenerierung erkennen. Im Feld Preisänderungsschwelle legen Sie einen Schwellenwert in Prozent fest. Das System erkennt Preisänderungsereignisse in Perioden, in denen eine (positive oder negative) Änderung der Preiskennzahl gegenüber der Vorperiode vorliegt, die größer ist als der Schwellenwert in Prozent, den Sie angeben. Einstellungen im Prognoseprofil: Der Bucket, den Sie im Feld Period Indicator des Masterprognoseprofils angegeben haben, muss mit dem Bucket übereinstimmen, mit dem Sie Preisänderungsereignisse im Bericht Automatische Outlier-Erkennung und Ereignisgenerierung erkennen. Sie müssen ein MLR-Profil im MLR für Univ. Fcst (MLR-Profil für Univariate Forecasting) des univariaten Prognoseprofils. Das von Ihnen angegebene MLR-Profil muss die Preiskennzahl in der MLR-unabhängigen Variablenliste enthalten. Sie können eine Preisänderungsschwelle im Feld Preisänderungsschwelle im univariaten Prognoseprofil angeben. Wird hier ein Wert eingegeben, überschreibt er den in den oben beschriebenen Planungsbereichsprognosein - stellungen eingestellten Wert für CVCs, denen dieses univariate Prognoseprofil zugewiesen ist. Bei der Berechnung von Preisänderungsereignissen wird die saisonale Korrektur nur dann angewendet, wenn das Feld Perioden des univariaten Prognoseprofils gefüllt ist und das Erkennungszeitintervall für den Bericht Automatische Outlier-Erkennung und Ereignisgenerierung mindestens doppelt so viele Perioden enthält Wie Sie im Feld Perioden im univariaten Prognoseprofil angegeben haben. Löschen von Ereignissen und Ereignistypen Sie können Ereignisse, Ereignistypen und Ereigniskataloge auf eine der folgenden Weisen löschen: Vom Arbeitskreis zur Bedarfsplanung aus Interaktive Bedarfsplanung Verwendung von Bericht: Löschen von Ereignistypen mit Abhängigkeiten Verwendung von Bericht: Massenlöschung von Ereignissen Vorführungsszenario 1 : Massenerzeugung von Ereignissen Die folgende Abbildung zeigt die historischen Daten für ein Produkt im Planungsbuch. Sie sehen, dass es während der Thanksgiving - und Weihnachtsperioden im Jahr 2014 eine erhöhte Nachfrage gibt. Im Planungsbuch haben wir eine Ereigniskennzahl zur Speicherung der generierten Ereignisse angelegt. Das Programm erstellt das 3-Perioden-Langzeitereignis gemäß der Definition im Ereignistyp und basiert auf den oben erläuterten Konfigurationseinstellungen. Im Planungsbuch werden Ereignisse für den Zeitraum W512015, W522015 und W012016 angelegt. Ereignisse, die mit der Werbe-ID im Planungsbuch angezeigt werden: Szenario 2: Schätzung der zukünftigen Ereignisse Das System berechnet die zukünftigen Ereignisse anhand der historischen Ereignisse desselben Typs. Sie legen das Ereignisdatum künftig im Report zur Massenerstellung von Ereignissen fest. Die zukünftige Ereignisberechnung basiert auf den Konfigurationseinstellungen, die in 8220Configure Outlier Detection und Event Catalog Assignmentsrdquo wie oben erläutert durchgeführt wurden. Szenario 3: Automatische Ausreißererkennung und Ereignisgenerierung Im folgenden Screenshot wird die automatische Ereigniserkennung für den Ereignistyp 8220Thanksgivingrdquo ausgeführt. Das Ereignis wird vom Programm basierend auf den Customizing-Einstellungen in 8220Configure Outlier Detection und Event Catalog Assignmentsrdquo wie oben beschrieben erkannt und berechnet. Ereignis im Planungsbuch mit Promotion-ID erstellt: Szenario 4: Preisänderung Ereignisgenerierung Der automatische Ereignisgenerierungsbericht kann auch zum Erfassen und Erzeugen von Preisänderungsereignissen wie oben erläutert verwendet werden. Für die Preisänderungsereigniserkennung erforderliche Einstellungen: Sie definieren einen einmaligen Preisänderungsereignistyp und pflegen die Preiseinstellungen unter Prognoseeinstellungen für den Planungsbereich. Erstellen Sie ein MLR-Prognoseprofil mit Preiskennzahl als unabhängige Variable und ordnen Sie dieses MLR-Profil dem univariaten Profil unter 8220Kombination mit MLRrdquo-Abschnitt zu. Ordnen Sie das MLR-Profil im univariaten Profil zu: Preisänderungsereignisse werden auf Basis der im Planungsbereich bzw. im Prognoseprofil definierten Änderungen der Preiskennzahl und Schwelle erfasst und generiert. Einschränkungen Sie können pro Planungsbereich nur 1 Planungsebene verwenden. Z. B. Wenn Sie Ihre Planungsebene als Product-Channel-Market-Merkmale angeben, können Sie keine andere Planungsebene mit unterschiedlichen Merkmalen im gleichen Planungsbereich verwenden. Während der Prognose werden nur Ereignisse mit der jeweiligen Schaufelgröße berücksichtigt. Z. B. Bei Prognosen in wöchentlichen Eimern werden die Ereignisse mit wöchentlicher Periodizität nur berücksichtigt. Gemischte Buckets sind in der Datenansicht nicht erlaubt, in der Ereignisse verwendet werden sollen. Preisänderungsereignisse können nicht manuell erstellt werden. Diese können jedoch gelöscht werden. In der interaktiven Planung oder mit dem Massenereignis-Erstellungsbericht ist es nicht möglich, historische Ereignisse außerhalb des historischen Horizonts des zugeordneten Prognoseprofils zu erstellen. Das Merkmal für die Förderungsebene muss der untersten Ebene der Merkmale entsprechen, die Sie in Ihrer Planungsebene verwenden. Das heißt, das Merkmal für die Förderungsebene muss das letzte Merkmal in der Planungsebenen-Merkmalssequenz sein. Wenn das System mehrere Ereignisse erstellt, die sich überschneiden, erhält nur ein Ereignis den vollen Wert für die Erhöhung und alle anderen Ereignisse, die dieses Ereignis überschneiden, erhalten 0 oder eine sehr kleine Zahl für den Wert für die Erhöhung. Das Ereignis, das als das bedeutendste identifiziert wird, erhält die volle Erhebung. Schlussfolgerung Die Fähigkeit, Variationen und Ausreißer aus historischen Daten zu identifizieren, ist von wesentlicher Bedeutung für eine gute Prognose der Qualität. Die Ereignisfunktionalität ab SAP SCM 7.0 EHP2 kann dazu beitragen, diese Variationen anhand der Ereignistypdefinitionen zu identifizieren. Die Schätzung zukünftiger Ereignisse kann auch auf der Grundlage der vergangenen Ereignisse modelliert werden. Der kurzfristige Effekt von Preisveränderungen auf die Nachfrage kann auch modelliert werden und kann genutzt werden, um den Einfluss von geplanten Preisveränderungen in der Zukunft abzuschätzen. Abkürzungen AkronymeDetektion von Ausreißern in Sensordaten auf der Grundlage von Adaptive Moving Average Fitting Zusammenfassung Abstraktes Ausblenden ABSTRACT: Um ein verteiltes IPv6-Sensornetzwerk mit der Idee der Dezentralisierung zu vernetzen, schlagen wir eine Netzwerkmethode basierend auf dem dynamischen regionalen Agenten vor. Das Verfahren basiert auf der zweischichtigen Architektur und wählt dynamisch den regionalen Agentenknoten, wenn das Netzwerk läuft. Wir schlagen dann zwei Algorithmen vor, um den regionalen Agentenknoten zu wählen, die allgemeiner Wahlalgorithmus und allgemeiner Wahlalgorithmus sind, und sie werden in der unterschiedlichen Umgebung verwendet. Wir geben detaillierte Einführung in die Trigger-Bedingung und den Algorithmus selbst. Die experimentellen Ergebnisse zeigen, dass die vorgeschlagene Vernetzung Methode hat eine gute Leistung in der verbrauchenden Zeit in Netzwerken benötigt, vereinfachen die Komplexität der Netz Wartung. Institut für Informatik, Sozialinformatik und Telekommunikationstechnik 2014. Artikel Jan 2014 Angewandte Energie Jiye Wang Zhihua Cheng Jinghong Guo Zusammenfassung Abstrakt Auszug ABSTRAKT: Für das Problem der großen dimensionslosen Index-Schwankungen in rotierenden Maschinen komplexen Fehler und dass der entsprechende Bereich ist schwierig bestimmen. In diesem Papier schlägt eine rotierende Maschine komplexe Fehler Methode, kombiniert dimensionslos und die Methode der kleinsten Quadrate Methode Filterung. Diese Methodenimplementierung filtert und bestimmt den Umfang des dimensionslosen Index. Durch Experimente mit 8 Arten von Lagerversagensdaten von petrochemischen Rotationssätzen wurde im Vergleich zu vier Filtermethoden der Umfang des dimensionslosen Indexes und der kombinierte dimensionslose Index mit Kalman (EKF), der gewogene Durchschnitt, der gleitende Durchschnitt, ermittelt Methode der kleinsten Fehlerquadrate. Artikel Mai 2014 Abstract anzeigen Zusammenfassung verstecken ABSTRACT: Strategien zur Steigerung des Ergebnisses aus Investitionen in Rohöl-Futures-Märkte sind ein wichtiges Thema für Investoren in der Energiefinanzierung. Dieses Papier schlägt einen Ansatz vor, um dynamische gleitende durchschnittliche Handelsregeln in den Rohöl-Futures-Märkten zu erzeugen. Eine adaptive gleitende Durchschnittsberechnung wird verwendet, um die Schwankungen besser zu beschreiben, und Handelsregeln können dynamisch in der Investitionsperiode basierend auf der Durchführung von vier Referenzregeln angepasst werden. Wir verwenden genetische Algorithmen, um optimale dynamische gleitende durchschnittliche Handelsregeln aus einem großen Satz von möglichen Parametern auszuwählen. Unsere Ergebnisse zeigen, dass dynamische Handelsregeln Händler helfen können, Gewinne im Rohöl-Futures-Markt zu machen und effektiver als die BH-Strategie im Preissenkungsprozess sind. Darüber hinaus sind dynamische gleitende durchschnittliche Handelsregeln für Händler günstiger als statische Handelsregeln, und der Vorteil wird deutlicher über lange Investitionszyklen. Die Längen der beiden Perioden der dynamischen gleitenden durchschnittlichen Handelsregeln sind eng mit der Preisvolatilität verbunden. Die dynamischen Handelsregeln werden eine hervorragende Leistung aufweisen, wenn der Markt durch signifikante energiebezogene Ereignisse geschockt wird. Anlagehinweise werden ausgegeben, und diese Ratschläge sind für Händler hilfreich, wenn technische Handelsregeln bei tatsächlichen Investitionen gewählt werden. Artikel Sep 2015 Lijun Wang Haizhong Ein Xiaojia Liu Xuan Huang