[論文レビュー] From time series to complex networks: the Dynamical Visibility Graph

Igor V. Bezsudnov, S. V. Gavrilov+1 more|arXiv (Cornell University)|Aug 31, 2012

Time Series Analysis and Forecasting被引用数 2

ひとこと要約

本稿では、調整可能な視野角パラメータを用いて時系列を複雑なネットワークにマッピングする、変更されたアルゴリズムであるパラメトリック自然可視性グラフ（PNVG）を紹介する。このパラメータを調整することにより、標準的な自然可視性グラフでは検出されない、相関、フラクタル性、心拍リズムの生理学的差異といった時系列の隠れた構造的特徴が明らかになる。これにより、多様な時系列タイプの特徴の強化と区別が可能になる。

ABSTRACT

We present the modification of natural visibility graph (NVG) algorithm used for the mapping of the time series to the complex networks (graphs). We propose the parametric natural visibility graph (PNVG) algorithm. The PNVG consists of NVG links, which satisfy an additional constraint determined by a newly introduced continuous parameter - the view angle. The alteration ofview angle modifiesthe PNVG and its properties such as the average node degree, average link length of the graph as well as cluster quantity of built graph etc. Wecalculated and analyzed different PNVG properties depending on the view angle for different types of the time series such as the random (uncorrelated, correlated and fractal) and cardiac rhythm time series for healthy and ill patients. Investigation of different PNVG properties shows that the view angle gives a new approach to characterize the structure of the time series that are invisible in the conventional version of the algorithm. It is also shown that the PNVG approach allows to distinguish, identify and describe in detail various time series.

研究の動機と目的

• 標準的な自然可視性グラフ（NVG）が時系列の微細な構造的特徴を捉えることの限界を是正すること。
• 調整可能なパラメータを備えた柔軟なネットワークベースのフレームワークを構築し、時系列の隠れたダイナミクスを明らかにすること。
• ランダム、相関的、フラクタル的、および生理的信号を含む、さまざまなタイプの時系列を詳細に区別できること。
• 視野角パラメータの変化に伴い、平均次数やクラスタリング係数といったネットワーク特性がどのように変化するかを調査すること。
• PNVGが健康と病的な心拍リズムを区別する上で有効であることを示すこと。

提案手法

• 視野角パラメータを連続的に制御できるように、自然可視性グラフ（NVG）のパラメトリック拡張を提案する。
• 視界の条件に基づいて時系列内の2点間の可視性を定義する。具体的には、2点を結ぶ直線の傾きが視野角以下である必要がある。
• ノードが時系列データポイントを表し、指定された視野角における可視性条件を満たす場合にのみエッジが形成される複雑なネットワークを構築する。
• 視野角の関数として、平均ノード次数、平均リンク長、クラスタリング係数といったネットワーク特性を分析する。
• PNVGを多様な時系列に適用する：無相関、相関、フラクタル、健康および病変を有する患者からの心電図（ECG）信号。
• 統計的およびトポロジカルなネットワーク指標を用いて、異なる時系列および視野角値におけるPNVGの出力を比較する。

実験結果

リサーチクエスチョン

• RQ1 視野角パラメータは、時系列マッピングにおける結果のネットワークトポロジーにどのように影響するか？
• RQ2 PNVGは、標準的なNVGでは検出できない時系列の構造的差異を検出できるか？
• RQ3 PNVGは、健康と病的な心拍リズムをどの程度正確に区別できるか？
• RQ4 異なる時系列タイプにおいて、視野角の変化に伴い平均次数やクラスタリング係数といったネットワーク特性がどのように変化するか？
• RQ5 PNVGは、時系列の相関性およびフラクタル性に対してどの程度感度を示すか？

主な発見

• PNVGにおける視野角パラメータにより、平均ノード次数や平均リンク長を含むネットワークトポロジーの系統的制御が可能になる。
• PNVGは、標準的なNVGでは検出できない、長距離相関やフラクタル挙動といった時系列の構造的特徴を明らかにする。
• PNVGアプローチは、異なるネットワーク特性プロファイルに基づき、健康と病変の心拍リズム時系列を効果的に区別する。
• PNVGにおけるクラスタリングとリンク長の分布は、視野角の変化に顕著に応答し、時系列ダイナミクスへの感受性を示している。
• 従来の可視性グラフ手法と比較して、時系列構造のより詳細かつ洗練された特徴化が可能になる。
• PNVGフレームワークは、確率的、決定的、および生理的信号を含む多様な時系列タイプにわたり、頑健性を示している。