Geschäftskontext
In einer chemischen Anlage fallen Sensoren sporadisch aus. Es soll eine Gumbel-Copula angepasst werden, um asymmetrische Abhängigkeiten bei extremem Druck und Temperatur zu erkennen, trotz fehlender Werte (Missing Values) in den Daten.
Datenaufbereitung
Erstellung von Sensordaten mit zufälligen Missing Values (NaN) zur Simulation von Ausfällen.
Kopiert!
| 1 | |
| 2 | DATA casuser.sensor_logs; |
| 3 | call streaminit(777); |
| 4 | DO i = 1 to 500; |
| 5 | pressure = rand('Gamma', 5); |
| 6 | temp = pressure + rand('Normal'); |
| 7 | IF rand('Uniform') < 0.15 THEN pressure = .; |
| 8 | OUTPUT; |
| 9 | END; |
| 10 | |
| 11 | RUN; |
| 12 |
Étapes de réalisation
1
Versuch der Anpassung mit spezifischem Optimierer (Trust Region) zur Stabilitätsprüfung.
Kopiert!
| 1 | PROC CAS; |
| 2 | copula.copulaFit / |
| 3 | TABLE={name='sensor_logs', caslib='casuser'}, |
| 4 | var={'pressure', 'temp'}, |
| 5 | copulaType='GUMBEL', |
| 6 | marginals='EMPIRICAL', |
| 7 | optimizer={algorithm='TRUSTREGION', maxiters=50}; |
| 8 | RUN; |
Erwartetes Ergebnis
Die Aktion filtert Beobachtungen mit fehlenden Werten automatisch heraus. Der Trust-Region-Optimierer findet eine stabile Lösung für die Gumbel-Parameter auf den verbleibenden validen Daten.