Rbeast

BEAST: 一种用于变点检测和时间序列分解的贝叶斯集成算法

BEAST (贝叶斯突变、季节性和趋势估计器)是一种快速、通用的贝叶斯模型平均算法,用于将时间序列或一维序列数据分解为单独的组件,如突变、趋势和周期/季节性变化,如[Zhao等人(2019)所述。BEAST对于变点检测(如断点、结构性中断、连接点、制度转变或异常)、趋势分析、时间序列分解(如趋势vs.季节性)、时间序列分段和中断时间序列分析非常有用。请参阅使用BEAST的精选研究列表。

快速安装

BEAST用C/C++实现,但可从R、Python、Matlab和Octave访问。按如下方式安装:

• Python: pip install Rbeast
• Matlab: eval(webread('http://b.link/rbeast',weboptions('cert','')))
• Octave: eval(webread('http://b.link/rbeast'))
• R语言: install.packages("Rbeast")

快速使用

Python、Matlab和R的单行代码:

# Python示例
import Rbeast as rb; (Nile, Year)=rb.load_example('nile'); o=rb.beast(Nile,season='none'); rb.plot(o)

# Matlab/Octave示例
load('Nile'); o = beast(Nile, 'season','none'); plotbeast(o)

# R示例
library(Rbeast); data(Nile); o = beast(Nile); plot(o)

R语言安装

Rbeast在CRAN任务视图中: [时间序列分析] [贝叶斯推断] [环境计量]

R包**Rbeast**已存放在CRAN。(在CRAN上还有另一个名为"beast"的贝叶斯时间序列包,与BEAST算法无关。我们的包是Rbeast。另外,Rbeast与著名的"通过采样树进行贝叶斯进化分析"算法无关。)在R中使用以下命令安装Rbeast:

install.packages("Rbeast")

在R中运行和测试Rbeast

Rbeast中的主要函数是beast(Y, ...)、beast.irreg(Y, ...)和beast123(Y, metadata, prior, mcmc, extra)。下面的代码片段提供了基本用法的起点。

library(Rbeast)
data(Nile)                       #  尼罗河年流量    
out = beast(Nile, season='none') #  'none': 仅趋势数据,无季节性   
print(out)                   
plot(out)
?Rbeast                          # 查看更多关于`beast`用法的详细信息    
     
tetris()                         # 如果你敢浪费生命中的几分钟 
minesweeper()                    # 如果你敢再多浪费几分钟 

Matlab安装

通过运行以下命令,将 Matlab 版本的 BEAST 自动安装到您选择的本地文件夹:

beastPath = 'C:\beast\'                   
eval( webread('http://b.link/rbeast') )  

%%%%%%%%%%%%%%%%%%%%%%%%%%% 自动安装注意事项 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 
% 1. 您选择的路径需要写入权限;变量名必须为'beastPath'。   %
% 2. 如果 webread 出现证书错误,请运行以下命令替代:                    %
    eval(  webread( 'http://b.link/rbeast', weboptions('cert','') )  )                       %
% 3. 如果自动安装失败,请手动下载所有文件(见下文) %       
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

上述命令将把 Github 上 Rbeast\Matlab 文件夹中的所有文件下载到选定的文件夹:如果缺少beastPath,将使用默认的临时文件夹(例如 Windows 10 中的C:\Users\$user_name$\AppData\Local\Temp\Rbeast)。如果自动脚本失败,请从 Github 手动下载 Matlab 文件。这些文件包括从 C 源代码编译的 Matlab mex 库(例如 Windows 的Rbeast.mexw64、Linux 的Rbeast.mexa64、MacOS 的Rbeast.mexmaci64)以及一些类似 R 接口的 Matlab 包装函数(例如beast.m和beast123.m),还有一些测试数据集(例如 Nile.mat 和 co2.mat)。

我们在自己的 Win10、Ubuntu 22.04 和 macOS High Sierra 机器上生成了 Matlab mex 二进制库。如果它们在您的机器上失败,可以从Rbeast\Source下的 C 源代码文件编译 mex 库。如有需要,我们很乐意与您合作,为您的特定操作系统或机器进行编译。下面还提供了从 C 源代码编译的其他信息。

在 Matlab 中运行和测试 Rbeast

Matlab API 与 R 的类似。以下是一个快速示例:

 help beast
 help beast123  
 load('Nile.mat')                                   % 从1871年开始的尼罗河年流量
 out = beast(Nile, 'season', 'none','start', 1871)  % 没有季节性的仅趋势数据
 printbeast(out)
 plotbeast(out)

Octave 的安装

与 Matlab 相同。目前仅支持 Windows 平台。如果需要其他平台(例如 Linux 和 Mac 上的 Octave),请联系作者 zhao.1423@osu.edu 寻求支持。

Python 的安装

一个名为 Rbeast 的包已经存放在 PyPI: https://pypi.org/project/Rbeast/。在控制台中运行以下命令进行安装:

  pip install Rbeast

二进制 wheel 文件是为 Windows、MacOS 和 Linux 上的 Python 3.7 到 3.11 版本(x86_64 或 arm64 CPU)构建的。如果安装失败,请使用pip install Rbeast --no-binary :none:从源代码安装以构建包,这需要 C/C++ 编译器(例如 Linux 上需要 gcc 或 Mac 上需要 xcode)。如有需要,请联系 Kaiguang Zhao (zhao.1423@osu.edu) 帮助为您的操作系统平台和 Python 版本构建软件包。

在 Python 中运行和测试 Rbeast

Nile是尼罗河的年流量,从 1871 年开始。作为年度观测,它没有周期性成分(即season='none')。

import Rbeast as rb                                       # 导入 Rbeast 包作为`rb`
nile, year = rb.load_example('nile')                      # 一个样本时间序列
o          = rb.beast( nile, start=1871, season='none')
rb.plot(o)
rb.print(o)
o  # 查看输出变量 o 中的输出字段列表

第二个例子googletrend是美国谷歌搜索词"beach"受欢迎程度的月度时间序列。这个月度时间序列是规律间隔的(即 deltat=1 month =1/12 year);它有一个周期为 1 年的循环成分。也就是说,每个周期的数据点数量是period / deltat = 1 年 / 1 月 = 1/(1/12) = 12。

beach, year = rb.load_example('googletrend')
o = rb.beast(beach, start= 2004.0, deltat=1/12, period = 1.0)       # 时间单位未知或任意
o = rb.beast(beach, start= 2004.0, deltat=1/12, period ='1.0 year') # 时间单位为分数年
o = rb.beast(beach, start= 2004.0, deltat='1 month', period =1.0)   # 时间单位为分数年
rb.plot(o)
rb.print(o)

Julia/IDL 的安装(即将推出)

Julia 和 IDL 的包装器正在开发中:我们欢迎感兴趣的开发者的贡献和帮助。如有兴趣,请联系 Kaiguang Zhao,邮箱 zhao.1423@osu.edu。

BEAST 描述

时间序列数据的解释受模型选择的影响。不同的模型可能会对相同的数据给出不同甚至矛盾的模式、趋势和机制估计——这个局限性可以通过本软件包中的贝叶斯估计器(用于突变、季节性和趋势,简称 BEAST)来缓解。BEAST 试图通过放弃"单一最佳模型"的概念,并通过贝叶斯模型平均方案将所有竞争模型纳入推断,来改进时间序列分解。它是一个灵活的工具,可以揭示时间序列观测中的突变(即变点)、周期性变化(例如季节性)和非线性趋势。BEAST 不仅告诉您变化何时发生,还量化了检测到的变化有多大可能是真实的。它不仅检测分段线性趋势,还检测任意非线性趋势。BEAST 适用于各种实值时间序列数据,无论是遥感、金融、公共卫生、经济、气候科学、生态学还是水文学。应用示例包括用于识别生态数据中的体制转变、从卫星图像中绘制森林干扰和土地退化图、检测经济数据中的市场趋势、精确定位气候数据中的异常和极端事件,以及揭示生物数据中的系统动态。有关 BEAST 的详细信息,请参阅 Zhao et al. (2019)。该论文可在 https://go.osu.edu/beast2019 获取。

计算说明

作为一种贝叶斯算法,BEAST 速度很快,可能是同类贝叶斯时间序列分析算法中最快的实现之一。(但与非贝叶斯方法相比,它仍然较慢。)对于处理少量到数千个时间序列的应用,计算不会成为实际问题。但对于可能涉及数百万或数十亿时间序列的遥感/地理空间应用,计算对于台式计算机用户来说将是一个巨大挑战。我们建议首先在单个时间序列或小图像块上测试 BEAST,以确定 BEAST 是否适合您的应用,如果适合,估计处理整个图像可能需要多长时间。

无论如何,对于那些处理堆叠时间序列图像的用户,不要使用beast或beast.irreg。请改用 beast123,它可以处理 3D 数据立方体并允许并行计算。如果您认为 BEAST 对您的应用有价值,我们也欢迎您咨询 Kaiguang Zhao (zhao.1423@osu.edu) 以获得具体建议。

参考文献

• Zhao, K., Wulder, M. A., Hu, T., Bright, R., Wu, Q., Qin, H., Li, Y., Toman, E., Mallick B., Zhang, X., & Brown, M. (2019). 利用贝叶斯集成算法检测卫星时间序列数据中的变点、趋势和季节性,以跟踪突变和非线性动态。 遥感环境, 232, 111181. (BEAST 论文)

• Zhao, K., Valle, D., Popescu, S., Zhang, X. 和 Mallick, B., 2013年。使用贝叶斯模型平均及变量和波段选择的植物生化高光谱遥感。遥感环境，132期，102-119页。（BEAST使用的MCMC采样器）

• Hu, T., Toman, E.M., Chen, G., Shao, G., Zhou, Y., Li, Y., Zhao, K. 和 Feng, Y., 2021年。利用谷歌地球引擎上的Landsat时间序列绘制工作景观中的细粒度人类干扰图。国际摄影测量与遥感杂志，176期，250-261页。（一篇应用论文）

从C源代码编译（仅适用于开发人员和专家）

虽然不是必需的，但如果需要，可以为特定机器编译代码。有关详细信息，请查看GitHub上的Rbeast\Source文件夹。

报告错误或获取帮助

BEAST按原样分发，不保证适用于特定应用。上面分发的版本仍是测试版，有进一步改进的潜在空间。如果您遇到软件缺陷（即错误），请报告问题。提供错误发生条件的详细描述将有助于识别错误，您可以直接发送电子邮件给其维护者Kaiguang Zhao博士，邮箱地址为zhao.1423@osu.edu。或者，使用GitHub上的问题跟踪器报告软件问题并请求功能增强。

致谢

BEAST由Yang Li、Tongxi Hu、Xuesong Zhang和Kaiguang Zhao开发。BEAST的开发得到了微软Azure for Research（CRM0518513）、美国地质调查局104B资助以及俄亥俄州高等教育部有害藻华研究计划资助的支持。Xuesong Zhang的贡献得到了美国农业部农业研究局的支持。

使用BEAST/Rbeast的精选出版物

尽管BEAST最初发表用于生态和环境应用，但它被开发为一种通用工具，适用于所有学科中产生的时间序列或类时间序列数据。BEAST不是一种启发式算法，而是一个严格的统计模型。以下是使用BEAST进行统计数据分析的精选同行评审出版物列表。