[论文解读] Encoding Temporal Markov Dynamics in Graph for Visualizing and Mining Time Series

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

Data Visualization and Analytics被引用 15

一句话总结

本文提出了一种新颖的方法，通过使用一阶马尔可夫动力学将时间序列编码为复杂网络，以可视化和挖掘时间序列，同时保留时间顺序和频率结构。该方法实现了直观的可视化分析，并具备精确的逆映射能力，从而在真实和合成的传感器数据上提升了模式发现和分类准确率。

ABSTRACT

Time series and signals are attracting more attention across statistics, machine learning and pattern recognition as it appears widely in the industry especially in sensor and IoT related research and applications, but few advances has been achieved in effective time series visual analytics and interaction 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 the first order Markov process in its temporal ordering. In contrast to the 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 raw signals, 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 pattern discovery and classification on both synthetic and the real time series and sensor data.

研究动机与目标

• 解决来自传感器和物联网设备的复杂、高维时间序列数据的可视化挑战。
• 克服传统可视化方法（如折线图、像素图）在捕捉时间依赖性和动态特性方面的局限性。
• 开发一种保留时间顺序和统计结构的时间序列图表示方法。
• 通过确保从时间序列到图的转换具有自然的逆操作，实现可解释的可视化分析。
• 展示图统计量在下游任务（如分类、异常检测和模式发现）中的实用性。

提出的方法

• 将时间序列值量化为 Q 个分位数区间，以离散化信号用于马尔可夫建模。
• 通过计算量化状态之间的转移概率，构建一阶马尔可夫转移矩阵 W。
• 将马尔可夫矩阵转换为马尔可夫转移场（MTF）M，以在二维网格表示中保留时间动态。
• 应用空间下采样（如 2×2 平均池化）以降低 MTF 分辨率，同时保留关键结构特征。
• 通过将每个单元视为节点，并根据邻近性和转移概率连接节点，将 MTF 映射为复杂网络。
• 利用网络统计量（如模块度、度数、聚类系数、路径长度）进行可视化探索和特征提取。

实验结果

研究问题

• RQ1 时间马尔可夫转移动态是否能有效编码为图结构，以保留时间序列中的时间与频率信息？
• RQ2 与传统可视化方法相比，所提出的图表示是否能实现对复杂时间序列模式更直观的可视化探索？
• RQ3 从图到原始时间序列的逆映射能力是否能增强可视化分析中的可解释性和用户交互？
• RQ4 基于图表示提取的网络统计量在真实传感器数据上的分类和异常检测任务中，能提升多少性能？
• RQ5 网络的拓扑特性（如模块度、社区结构）在多大程度上反映了时间序列中潜在的动力学状态？

主要发现

• 所提出的方法成功地将时间序列转换为复杂网络，同时保留了时间顺序和频率结构。
• 网络可视化揭示了不同的拓扑模式——例如，健康与非健康 ECG 信号分别呈现线性与环状结构，即使原始信号看起来相似。
• 当结合原始数据与图统计量时，1-NN 分类器的准确率得到提升：ECG 数据上为 0.90 vs. 0.88，Wafer 数据上为 0.996 vs. 0.995，Gun-Point 数据上为 0.932 vs. 0.913。
• 配对 t 检验显示，平均度数、加权度数、密度和模块度等统计网络特征在正负标签之间存在显著差异。
• 该网络表示能有效捕捉原始形状相似但结构不同的时间序列差异——例如，Gun-draw 和 Point 模式分别显示出 7 个和 3 个不同的社区。
• 逆映射能力使用户能够探索图模式，并追溯到原始信号中的特定时空模式，从而增强可解释性。