这个问题实际上是关于火灾探测的，但它与一些放射性衰变探测问题非常相似。观察到的现象既是零星的，又是高度可变的；因此，时间序列将由被变量值打断的长零串组成。
目标不仅是捕获事件（零点中断），而且是事件本身的定量表征。然而，传感器是有限的，因此即使“现实”不为零，有时也会记录为零。因此，在比较传感器时必须包含零。
传感器 B 可能比传感器 A 更敏感，我希望能够以统计方式描述这一点。对于这个分析，我没有“真相”，但我有一个独立于传感器 A&B 的传感器 C。因此，我的期望是 A/B 和 C 之间更好的一致性表明与“真相”更好的一致性。（这可能看起来很不稳定，但你必须相信我——根据其他关于传感器的研究，我在这里的基础很稳固）。
那么，问题是如何量化“时间序列的更好一致性”。相关性是显而易见的选择，但会受到所有那些零（不能被忽略）的影响，当然还会受到最大值的不成比例的影响。也可以计算 RMSE，但会在接近零的情况下对传感器的行为进行强烈加权。
Q1：将对数缩放应用于非零值的最佳方法是什么，然后在时间序列分析中将其与零组合？
Q2：对于这种类型的时间序列分析，您可以推荐哪些“最佳实践”，其中非零值的行为是重点，但零值占主导地位并且不能被排除在外？