我有许多短时间序列（可能是 30 - 100 个时间点），它们有一个大致的形状：它们从高位开始，迅速下降，可能会或可能不会在零附近稳定，然后回升。如果它们不平稳，它们看起来就像一个简单的二次曲线，如果它们确实平稳，你可能会有一长串零。
我正在尝试使用该lmfit模块来拟合连续的分段线性曲线。我想推断线在哪里改变梯度，也就是说，我想知道曲线在哪里“定性地”改变梯度。我想知道梯度什么时候停止下降，什么时候又开始增加，一般来说。我有一些问题：
lmfit似乎至少需要两个参数，所以我必须通过_.- 我不确定如何将一个参数限制为大于另一个参数。
- 我收到
could not broadcast input array from shape (something) into shape (something)错误
这是一些代码。首先，我的目标函数，要最小化。
def piecewiselinear(params, data, _) :
t1 = params["t1"].value
t2 = params["t2"].value
m1 = params["m1"].value
m2 = params["m2"].value
m3 = params["m3"].value
c = params["c"].value
# Construct continuous, piecewise-linear fit
model = np.zeros_like(data)
model[:t1] = c + m1 * np.arange(t1)
model[t1:t2] = model[t1-1] + m2 * np.arange(t2 - t1)
model[t2:] = model[t2-1] + m3 * np.arange(len(data) - t2)
return model - data
然后我打电话，
p = lmfit.Parameters()
p.add("t1", value = len(data)/4, min = 1, max = len(data))
p.add("t2", value = len(data)/4*3, min = 2, max = len(data))
p.add("m1", value = -100., max=0)
p.add("m2", value = 0.)
p.add("m3", value = 20., min = 1.)
p.add("c", min=0, value = 800.)
result = lmfit.minimize(piecewiselinear, p, args = (data, _) )
该模型是，在某个时间 t1，线的梯度发生变化，并且同样发生在 t2。需要推断这两个参数以及线段的梯度（和一个截距）。
我可以使用 MCMC 方法做到这一点，但我有太多这些系列，而且需要太长时间。
部分回溯：
15 model = np.zeros_like(data)
16 model[:t1] = c + m1 * np.arange(t1)
---> 17 model[t1:t2] = model[t1-1] + m2 * np.arange(t2-t1)
18 model[t2:] = model[t2-1] + m3 * np.arange(len(data) - t2)
19
ValueError: could not broadcast input array from shape (151) into shape (28)
时间序列的几个例子：
欢迎任何和所有建议。非常感谢。
