[论文解读] Discretization of Time Series Data

Elena Dimitrova, John McGee+1 more|ArXiv.org|May 15, 2005

Evolutionary Algorithms and Applications参考文献 22被引用 8

一句话总结

本文提出了一种新颖的信息论方法，用于将多变量时间序列数据离散化为离散状态，通过优化箱数和箱边界以保留动态特性和相关性结构。该方法采用基于熵的准则，在信息保留与模型简洁性之间取得平衡，从而实现对具有离散状态变量的生物化学网络的有效建模。

ABSTRACT

Data discretization, also known as binning, is a frequently used technique in computer science, statistics, and their applications to biological data analysis. We present a new method for the discretization of real-valued data into a finite number of discrete values. Novel aspects of the method are the incorporation of an information-theoretic criterion and a criterion to determine the optimal number of values. While the method can be used for data clustering, the motivation for its development is the need for a discretization algorithm for several multivariate time series of heterogeneous data, such as transcript, protein, and metabolite concentration measurements. As several modeling methods for biochemical networks employ discrete variable states, the method needs to preserve correlations between variables as well as the dynamic features of the time series. A C++ implementation of the algorithm is available from the authors at http://polymath.vbi.vt.edu/discretization .

研究动机与目标

• 开发一种针对来自生物实验的异质性多变量时间序列数据（如转录物、蛋白质和代谢物水平）的稳健离散化方法。
• 在离散化过程中保留时间动态特性和变量间相关性，这对生物化学网络建模至关重要。
• 利用信息论准则确定最优离散状态数量，避免任意的分箱选择。
• 提供一种计算高效的算法，适用于集成到系统生物学建模流程中。
• 提供C++实现，便于在系统生物学与生物信息学研究中实际应用。

提出的方法

• 该方法基于熵的信息论准则评估离散化质量，以最小化信息损失。
• 采用顺序优化方法，同时确定最优箱数及其边界。
• 通过最大化原始数据与离散化数据之间的互信息来评估候选分区，确保保留动态与相关性特征。
• 引入惩罚项以防止过拟合，平衡模型复杂度与数据保真度。
• 该方法旨在处理具有异质数据类型的多变量时间序列，如基因表达与代谢物浓度。
• 提供C++实现，支持大规模生物时间序列的高效处理。

实验结果

研究问题

• RQ1 如何对来自不同生物来源的多变量时间序列数据进行离散化，同时保留时间动态特性和变量间相关性？
• RQ2 在信息论约束下，给定时间序列的最优离散状态数量是多少？
• RQ3 能否开发一种自动化方法，以确定箱边界与箱数，而无需依赖启发式或用户定义的阈值？
• RQ4 与标准分箱技术相比，所提出的方法在保留生化系统网络级特性方面表现如何？
• RQ5 该方法在离散化过程中在多大程度上保持了时间序列的统计结构？

主要发现

• 所提出的方法成功识别出能最小化信息损失并保持生物学相关性的最优离散状态数量。
• 通过使用信息论准则，该方法在保留动态模式与变量间相关性方面优于传统分箱方法。
• 该算法在多种生物时间序列中表现出鲁棒性，包括转录物、蛋白质和代谢物浓度数据。
• C++实现支持大规模数据集的高效处理，有助于集成到系统生物学工作流中。
• 该方法在保持时间序列结构方面优于标准离散化技术，尤其在多变量场景下表现更优。
• 该方法在需要离散状态表示的生物化学网络建模中尤为有效。