[论文解读] Change-point detection using spectral PCA for multivariate time series

Shuhao Jiao, Shen Tong+2 more|arXiv (Cornell University)|Jan 12, 2021

Spectroscopy and Chemometric Analyses参考文献 27被引用 5

一句话总结

本文提出Spec PC-CP，一种用于高维多变量时间序列的两阶段变点检测方法，通过谱主成分分析（Spec-PCA）降低维度，并利用二元分割法检测变点。该方法在检测具有领先-滞后关系的变点方面优于现有方法，仿真及来自脑电图（EEG）和股票收益的真实数据均验证了其优越性。

ABSTRACT

We propose a two-stage approach Spec PC-CP to identify change points in multivariate time series. In the first stage, we obtain a low-dimensional summary of the high-dimensional time series by Spectral Principal Component Analysis (Spec-PCA). In the second stage, we apply cumulative sum-type test on the Spectral PCA component using a binary segmentation algorithm. Compared with existing approaches, the proposed method is able to capture the lead-lag relationship in time series. Our simulations demonstrate that the Spec PC-CP method performs significantly better than competing methods for detecting change points in high-dimensional time series. The results on epileptic seizure EEG data and stock data also indicate that our new method can efficiently {detect} change points corresponding to the onset of the underlying events.

研究动机与目标

• 开发一种计算高效且可解释的高维多变量时间序列变点检测方法。
• 解决现有方法在捕捉时间序列分量之间领先-滞后关系方面的局限性。
• 在传统PCA或单变量方法失效的高维环境中提升检测准确性。
• 实现频带特定的变点检测，以增强神经科学和金融领域中的可解释性。
• 提供一种鲁棒的低维多变量时间序列总结，同时保留关键的谱特征。

提出的方法

• 第一阶段，对多变量时间序列应用谱主成分分析，提取捕捉主导谱特征和时间动态的低维分量。
• 通过对时间平均的周期图矩阵进行谱分解，识别频域中的主成分。
• 第二阶段，使用二元分割算法对主导谱分量应用累积和（CUSUM）型检验，以定位变点。
• 该方法利用PCA的正交性和最大方差特性，降低噪声并增强信号检测能力。
• 通过检验谱分量在时间段内均值的结构断裂来识别变点。
• 该方法旨在保留序列间的领先-滞后关系，这对检测多变量系统中的动态变化至关重要。

实验结果

研究问题

• RQ1 谱主成分分析能否在保留时间序列动态和谱特征的同时有效降低维度，以支持变点检测？
• RQ2 与现有方法相比，Spec PC-CP在检测多变量时间序列中具有领先-滞后关系的变点方面表现如何？
• RQ3 该方法能否在真实世界的脑电图（EEG）和股票收益数据中检测出具有临床和金融意义的变点？
• RQ4 与原始时间序列相比，使用谱分量对检测准确性和计算效率有何影响？
• RQ5 该方法在高维噪声和多变量时间序列非平稳性下的鲁棒性如何？

主要发现

• 在结构变点仿真设置中（T=1000，p=10），Spec PC-CP的检测率为97%，平均绝对差（MAD）为20.1，优于同期方法（96%，18.6），且在鲁棒性上显著优于结构变点方法（100%，1.14）和Cho的方法（93%，2.05）。
• 在Cho与Fryzlewicz的设置下（T=1000，k=100），Spec PC-CP的检测率为99%，MAD为21.2，优于同期方法（98%，22.3），且在检测准确性上远超结构变点方法（34%，442.0）和Cho的方法（91%，51.5）。
• 在癫痫发作的脑电图（EEG）数据中，Spec PC-CP成功在发作起始附近检测到变点，显示出其在早期预警系统中的潜力。
• 在股票收益数据中，该方法检测到2008年金融危机和2003年伊拉克战争等重大金融事件附近的变点，证明了其在现实场景中的适用性。
• 第一和第二谱主成分捕捉了频带特定的变化，实现了对市场动态变化的可解释性检测。
• 该方法在处理具有复杂时间依赖性的高维、强相关多变量时间序列方面表现优异，尤其在存在领先-滞后效应时。