[论文解读] Encoding Temporal Markov Dynamics in Graph for Time Series Visualization.

Lu Liu, Zhiguang Wang|arXiv (Cornell University)|Oct 24, 2016

Data Visualization and Analytics参考文献 12被引用 5

一句话总结

本文提出了一种新颖的方法，通过编码一阶马尔可夫动态和时间顺序，将时间序列可视化为复杂网络，从而同时保留时间依赖性和频域结构。该方法实现了直观的可视化，并具备自然的逆映射以还原时间序列，增强了分类、异常检测和系统识别等任务的可视化探索与统计分析能力。

ABSTRACT

Time series is attracting more attention across statistics, machine learning and pattern recognition as it appears widely in both industry and academia, but few advances has been achieved in effective time series visualization due to its temporal dimensionality and complex dynamics. Inspired by recent effort on using network metrics to characterize time series for classification, we present an approach to visualize time series as complex networks based on first order Markov process and temporal ordering. Different to classical bar charts, line plots and other statistics based graph, our approach delivers more intuitive visualization that better preserves both the temporal dependency and frequency structures. It provides a natural inverse operation to map the graph back to time series, making it possible to use graph statistics to characterize time series for better visual exploration and statistical analysis. Our experimental results suggest the effectiveness on various tasks such as system identification, classification and anomaly detection on both synthetic and the real time series data.

研究动机与目标

• 解决由于高时间维数和复杂动态特性导致的时间序列可视化挑战。
• 克服传统可视化方法（如折线图和柱状图）在捕捉时间依赖性和结构模式方面的局限性。
• 开发一种基于网络的表示方法，以同时保留时间序列的时间顺序和频域特征。
• 实现从图结构到时间序列的逆映射，以支持统计分析和可视化探索。
• 在实际任务（如分类、异常检测和系统识别）中展示方法的实用性。

提出的方法

• 将时间序列建模为一阶马尔可夫过程，以捕捉连续观测之间的状态转移。
• 构建一个复杂网络，其中节点表示时间序列的取值，边表示基于时间顺序的转移。
• 使用网络度量来编码图表示中时间序列的结构和动态特性。
• 利用图结构支持可视化探索和统计分析，并通过可逆映射实现原始时间序列的重建。
• 应用基于图的统计方法来表征时间序列行为，从而支持下游分析任务。

实验结果

研究问题

• RQ1 基于网络的表示能否同时保留时间序列数据中的时间依赖性和频域结构？
• RQ2 所提出的图可视化在支持时间序列的可视化探索与分析方面有多高效？
• RQ3 从网络表示中导出的图统计量在分类和异常检测任务中能提升多大程度的性能？
• RQ4 从图到时间序列的逆映射是否能够实现可靠重建与分析？
• RQ5 该方法在合成数据集和真实世界时间序列数据集上，针对多种任务的表现如何？

主要发现

• 与传统折线图和柱状图相比，所提出的方法在保留时间结构和频域结构方面实现了更直观的可视化效果。
• 网络表示通过自然的逆操作支持有效的时间序列重建，实现了双向分析能力。
• 从网络模型中导出的基于图的统计量提升了系统识别和分类任务的性能。
• 该方法在合成和真实世界时间序列数据上的异常检测任务中表现出显著的有效性。
• 实验结果证实，该方法在涉及复杂动态特性的多样化时间序列分析任务中具有显著实用性。