[论文解读] Seasonalities and cycles in time series: A fresh look with computer experiments

Michel Fliess, Cédric Join|arXiv (Cornell University)|Oct 1, 2015

Time Series Analysis and Forecasting参考文献 5被引用 4

一句话总结

本文提出了一种新颖的、无需模型的方法，利用非标准分析和多时间尺度检测与提取时间序列中的季节性和周期性。通过应用Cartier-Perrin定理并以波动阈值定义周期性，该方法能够清晰且计算简便地检测强或弱的季节性和周期性，并通过包括经济、交通和气候时间序列在内的多样化真实世界数据得到验证。

ABSTRACT

Recent advances in the understanding of time series permit to clarify seasonalities and cycles, which might be rather obscure in today's literature. A theorem due to P. Cartier and Y. Perrin, which was published only recently, in 1995, and several time scales yield, perhaps for the first time, a clear-cut definition of seasonalities and cycles. Their detection and their extraction, moreover, become easy to implement. Several computer experiments with concrete data from various fields are presented and discussed. The conclusion suggests the application of this approach to the debatable Kondriatev waves.

研究动机与目标

• 解决时间序列分析中季节性和周期性概念模糊且缺乏严格定义的问题。
• 开发一种计算简便、无需模型的框架，用于检测和提取季节性和周期性分量。
• 通过在多样化的真实世界数据集上进行计算机实验，展示该方法的有效性。
• 探索该方法在争议性长期经济周期（如康德拉季耶夫波）中的潜在应用。

提出的方法

• 利用非标准分析定义具有无穷小采样间隔的时间序列，从而实现对波动的严格处理。
• 应用Cartier-Perrin定理将任意时间序列分解为趋势（均值）和波动分量，其中波动在显著区间内为无穷小。
• 通过近似周期性定义季节性和周期性：若峰间间隔几乎恒定则为强周期性，否则为弱周期性。
• 引入多时间尺度（例如1小时、1天）以检测和提取在单一尺度下可能不明显的季节性和周期性。
• 采用固定长度的移动平均（例如20或30个点）估计趋势，并将残差作为波动量。
• 通过分析波动之间的时间间隔，采用基于阈值的方法检测周期性模式，从而实现对季节性或周期性行为的自动识别。

实验结果

研究问题

• RQ1 如何在不依赖周期性假设或参数模型的前提下，对时间序列中的季节性和周期性进行严格定义？
• RQ2 Cartier-Perrin定理和非标准分析能否为时间序列分解提供数学上严谨的基础？
• RQ3 多时间尺度在多大程度上能提升真实世界数据中季节性和周期性模式的检测能力？
• RQ4 该方法能否有效识别和提取经典傅里叶或ARIMA方法所遗漏的弱周期性或非周期性季节性和周期性？
• RQ5 在数据长度足够的情况下，该方法是否适用于争议性长期经济周期（如康德拉季耶夫波）？

主要发现

• 该方法成功检测到苹果、番茄和羊肉消费者价格中的强季节性，经波动阈值分析后，清晰的周期性模式显现。
• 在法国失业数据中观察到强季节性，通过峰间时间间隔分析可检测到一致的周期性波动。
• 在国际航空乘客数据中，归一化波动揭示了强季节性模式，波动间的时间间隔表明存在一致的年度周期。
• 在互联网流量数据中，多时间尺度（1小时和1天）对检测不同季节行为至关重要——包括短期昼夜模式和长期日周期，凸显了尺度多样性的重要性。
• 该方法通过用其均值替代原始序列实现去季节化，有效消除了波动，所有案例研究均证明了这一点。
• 该方法揭示了传统分解模型（如加法模型 μt + St + Ct + Rt）缺乏严格的数学基础，表明需要类似所提出框架的替代性理论体系。