[论文解读] Cyclicality, Periodicity and the Topology of Time Series
本文提出了一种基于拓扑数据分析（TDA）的框架，通过滑动窗口嵌入和持久同调，检测并量化噪声背景下的单变量时间序列中的周期性。通过识别嵌入空间中的循环结构，并分析地标分配生成的符号动力学，该方法在仅有两个周期的情况下仍能可靠检测周期性，且在噪声较大或采样不规则的数据中优于谱方法。
Periodic and semi periodic patterns are very common in nature. In this paper we introduce a topological toolbox aiming in detecting and quantifying periodicity. The presented technique is of a general nature and may be employed wherever there is suspected cyclic behaviour in a time series with no trend. The approach is tested on a number of real-world examples enabling us to consistently demonstrate an ability to recognise periodic behaviour where conventional techniques fail to do so. Quicker to react to changes in time series behaviour, and with a high robustness to noise, the toolbox offers a powerful way to deeper understanding of time series dynamics.
研究动机与目标
- 开发一种稳健的拓扑方法，用于检测传统谱技术失效的噪声时间序列中的周期性。
- 解决谱方法在周期稀疏或受强噪声污染时难以识别真实周期性的问题。
- 证明拓扑技术可在仅观测到两个周期的情况下检测周期性，而谱方法通常需要大量重复才能实现可靠检测。
- 提供一个通用工具箱，适用于金融、生物和气候学等领域，以揭示隐藏的周期性模式。
- 为未来将TDA整合进标准统计软件的时间序列分析流程奠定基础。
提出的方法
- 构建时间序列的滑动窗口嵌入（SWE），将时间序列转换为高维空间中的点云。
- 对SWE应用持久同调，以检测循环拓扑，使用第一同调群的范数作为循环性的度量。
- 在嵌入点云上均匀分布地标点，以实现符号动力学表示。
- 将SWE中的每个点分配给其最近的地标点（硬分配或软分配），基于时间顺序生成符号序列。
- 通过检测符号动力学序列中的重复模式来识别周期性。
- 将SWE中循环结构的拓扑特征作为周期性的必要条件，通过窗口长度和噪声的鲁棒性验证。
实验结果
研究问题
- RQ1拓扑数据分析能否在仅有两个周期的时间序列中检测周期性，而谱方法常在此类情况下失效？
- RQ2在真实世界噪声数据中，基于TDA的方法与R语言forecast包中广泛使用的findfrequency函数在周期性检测方面相比如何？
- RQ3所提出的方法在抗噪声和窗口嵌入长度变化方面具有多大程度的鲁棒性？
- RQ4即使信号微弱或非平稳，滑动窗口嵌入中的拓扑特征能否可靠指示潜在的周期性行为？
- RQ5在金融和气候学等实际应用中，使用持久同调和符号动力学进行周期性检测具有哪些实际优势？
主要发现
- 该TDA方法成功识别了墨尔本气温数据中的年周期性，周期估计平均为350天，接近真实的365天周期，尽管噪声水平很高。
- 在苏黎世太阳黑子数据中，TDA与谱方法均检测到周期性，但TDA对短期波动表现出更高的敏感性，表明其响应能力更强。
- 对于CASS航运数据，R语言forecast包中的findfrequency函数未能检测到任何周期性（平均估计值<1，含大量零值），而TDA正确识别出清晰的周期性模式。
- 该方法对噪声和窗口长度选择表现出鲁棒性，在不同嵌入参数下均保持一致的检测性能。
- 仅观测到两个周期时，TDA方法仍能确认周期性，而谱方法通常需要更多重复才能实现可靠检测。
- 基于地标分配的符号动力学方法成功捕捉了时间序列中的周期性模式，为潜在周期性提供了有力证据。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。