一种考虑变化点的时间序列多粒度事件检测方法，用于预测

《Engineering Applications of Artificial Intelligence》：A change point-aware multi-granularity event detection method for time series forecasting

本文提出多粒度事件时间序列预测模型MGE-TSF，通过MODWT变点检测与校正、多粒度事件检测及XGBoost模型集成，在股票、销售、电力数据集上显著优于8种基准模型，平均RMSE/MAE分别为0.4302/0.3655、2.3739/1.8706、12.3274/9.8431，验证了其跨领域预测的有效性和鲁棒性。

　　

李海波|赵振波|郭春丽|唐晓康

华侨大学计算机科学与技术学院，厦门，361021，中国

摘要

现实世界中的事件对时间序列数据中的趋势、季节性和异常现象有着重要影响，这些因素显著地影响了预测的准确性。从事件驱动的角度来看，识别并纳入这些事件可以通过考虑外部因素和意外干扰来提高预测性能。然而，由于事件的重叠发生、复杂的相互作用以及不同的时间粒度，检测和分割这些事件仍然具有挑战性。不准确的分割可能会严重损害预测结果。为了解决这些问题，我们提出了基于多粒度的事件时间序列预测（MGE-TSF）方法，该方法围绕一个三阶段框架构建：（1）使用最大重叠离散小波变换（MODWT）的变点识别算法来平滑数据序列、识别变点并纠正偏差；（2）多粒度事件检测过程，包括基于变点的自适应分割、聚类、符号化、事件树构建和对齐；（3）基于XGBoost（极端梯度提升）的人工智能（AI）预测模型，该模型将多粒度事件结构作为训练数据。通过对股票、销售和电力数据集进行均方根误差（RMSE）和平均绝对误差（MAE）的实验评估，展示了AI在金融、商业和能源领域的应用，并评估了模型的稳定性，证明了MGE-TSF的有效性。具体来说，它在所有领域的表现都优于八个基准模型：平均RMSE/MAE分别为0.4302/0.3655（股票）、2.3739/1.8706（销售）和12.3274/9.8431（电力）。这些结果一致验证了MGE-TSF在跨领域时间序列预测中的优越性能和鲁棒性。

引言

时间序列分析在经济学（Kim等人，2025年）、金融学（Liang等人，2022年）、气象学（?en，2024年；Yang等人，2024年）和工程学（Du等人，2024年）等领域得到了广泛应用，它能够识别过去的趋势、发现模式并进行未来预测。现实世界中的事件通过驱动趋势、季节性和异常现象来塑造这些时间序列，这些影响通常在不同尺度上相互关联。例如，长时间的股价下跌可能预示着V形波动（Kim等人，2023年），而地震通常会引发余震（Meade，2024年）。这种相互依赖性突显了将事件建模为多粒度结构的必要性，其中较大的事件是由较小的相关事件组合而成的（Li等人，2024年）。

分析多粒度事件依赖于稳健的时间序列分割。现代机器学习模型在捕捉复杂的、相互关联的模式方面表现出色（Li等人，2024年；Liang等人，2022年）。相比之下，传统的固定长度分割方法（Chao等人，2025年）常常会破坏人工边界上的有意义模式，从而降低预测性能。一种更可靠的方法依赖于准确的变点识别，即检测统计属性（如均值、方差）发生变化的时刻，这标志着重大事件的发生（Ermshaus等人，2023年）。精确的变点识别可以提高数据段的可解释性。然而，其鲁棒性仍然受到现实世界时间序列趋势变化的影响。

为了解决这些挑战，本文提出了基于多粒度的事件时间序列预测（MGE-TSF）方法，该方法旨在加强分割，以实现准确的事件建模和时间序列预测。MGE-TSF整合了三个核心阶段：（1）通过最大重叠离散小波变换（MODWT）平滑时间序列，以识别和纠正变点；（2）根据这些变点对序列进行分割，以检测多粒度事件；（3）使用机器学习模型和深度学习模型进行预测，这些模型结合了检测到的事件结构。

与以往的研究（Li等人，2024年）不同，本研究采用了一种新的变点识别方法，并加入了误差校正机制以提高鲁棒性。此外，所提出的框架简化了时间序列的对齐过程，提高了性能。而且，该框架不仅限于XGBoost（极端梯度提升）模型，还可以扩展到其他机器学习模型和深度学习模型。

本研究的主要贡献包括：

1)

一种基于MODWT的变点识别方法，该方法可以减少由于统计特征变化引起的误差，避免过度平滑或检测到的变化过于突然。

2)

一种多粒度事件检测框架，该方法结合了分割、聚类、符号化和事件树构建，以捕捉事件之间的层次关系。

本文的其余部分安排如下：第2节回顾了事件检测和变点识别的相关工作。第3节定义了问题和符号表示。第4节提出了方法论框架。第5节和第6节分别详细介绍了变点识别和多粒度事件检测的组成部分。第7节描述了XGBoost预测模型。第8节展示了实验结果，第9节总结了未来的研究方向。

相关工作

时间序列预测中的事件检测在识别异常、关键事件和趋势方面变得越来越重要，这些应用包括设备故障（Du等人，2024年）、金融崩溃（Liang等人，2022年）和医疗异常（C. Sun等人，2024年）。多粒度事件检测通过捕捉不同时间尺度上的事件来扩展这一领域，从短期高频波动到长期低频模式（Li和Yu，2021年）。现有的方法可以

问题陈述

时间序列是一系列在特定时间段内按顺序出现的数据值。从这个意义上说，时间序列的概念可以定义如下。

定义1

时间序列：时间序列X = { x₁, x₂,…, x_N } 表示长度为N的数据值序列。

定义2

分割：设X = { x₁, x₂,…, x_N } 是一个长度为N的时间序列，从时间i到j的分割表示为s = [x_i, x_j]，其中1 ≤ i ≤ j ≤ < />

定义3

变点：设s = [x₁, x_n] 是时间序列X中的一个分割

多粒度事件检测框架

为了解决这个问题，需要一个逐步的系统方法，包括识别变点、分割时间序列、对时间序列进行符号化、对齐多粒度事件以及预测时间序列数据。因此，本文提出了一个涵盖这些步骤的系统框架，如图3所示。它包括三个核心阶段：变点识别、多粒度事件检测和预测。

在变点识别阶段，主要任务是

平滑时间序列

在识别变点之前，有必要平滑时间序列数据，以过滤掉次要细节并突出显著的变化。如图5所示，在短期观察窗口内，时间序列中的点a和C显示出相似的趋势。然而，在较长的时间范围内观察时，点a无法保持观察到的趋势，而点C则显示出持续的方向性变化。

现有的变点识别方法存在各种局限性：有些方法对

基于变点的自适应分割策略

变点与原始数据在时间特征方面存在严格的映射关系。经过校正的变点（图8）在结构转换上与原始时间序列（图7(a)）完全对应。这种映射会随着输入数据趋势的变化而动态调整。例如，在高波动性的时间序列中，该算法可以有效避免过度分割；而在相对稳定的序列中，它则能够保持

基于XGBoost的预测模型

XGBoost是一种可扩展且高效的梯度提升机器实现。它通过在梯度提升框架中加入先进的正则化技术和优化策略而得到发展，由于其鲁棒性和速度，它在机器学习竞赛和实际应用中得到了广泛应用。

XGBoost通过依次创建一组决策树来工作，每棵新树都用于纠正前一组决策树所产生的错误（残差）。这个过程从

性能评估

我们在股票和销售数据集上进行了两项实验，以说明MGE-TSF的步骤。为了评估MGE-TSF的性能，我们比较了八种模型或方法：自回归积分移动平均模型（ARIMA）（Singh等人，2023年）、K-Means聚类和支持向量回归（k-means-SVR）方法（Awaluddin等人，2024年）、基于多粒度的事件短期预测方法（MGE-SP）（Li等人，2024年）、深度自回归网络（DeepAR）、LSTM、Gated

结论

在这项工作中，我们提出了一种基于多粒度事件的时间序列预测方法。该方法包括一系列步骤，包括平滑时间序列、识别和纠正变点、对时间序列进行符号化、检测多粒度事件、对时间序列进行对齐，以及应用机器学习模型和深度学习模型，这些步骤被封装在一个方法论框架中。

主要研究结果总结如下

CRediT作者贡献声明

李海波：撰写——原始草案，方法论设计。赵振波：软件开发，数据整理。郭春丽：资源获取，调查工作。唐晓康：软件实现。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能会影响本文报告的工作。

致谢

本研究得到了中国福建省科技计划（编号：2019H0017）的支持。我们感谢匿名审稿人的宝贵意见和建议。