[论文解读] Factor Models for High-Dimensional Tensor Time Series

Rong Chen, Dan Yang+1 more|arXiv (Cornell University)|May 18, 2019

Tensor decomposition and applications参考文献 71被引用 11

一句话总结

本文提出了一种用于动态张量时间序列的高维张量分解模型，联合建模多维数据的同时保持张量结构。该模型引入了两种具有理论保证的估计程序，展示了在进出口和出租车交通网络中有效的降维与动态模式提取能力。

ABSTRACT

Large tensor (multi-dimensional array) data routinely appear nowadays in a wide range of applications, due to modern data collection capabilities. Often such observations are taken over time, forming tensor time series. In this article we present a factor model approach to the analysis of high-dimensional dynamic tensor time series and multi-category dynamic transport networks. This article presents two estimation procedures along with their theoretical properties and simulation results. We present two applications to illustrate the model and its interpretations.

研究动机与目标

• 解决传统时间序列方法因结构复杂性而失效的高维张量时间序列分析挑战。
• 开发一种统一的因子模型，以在多个模式（如时间、产品、国家、区域）中保持张量结构。
• 实现对整个张量系统的联合建模，同时捕捉所有模式间的共同运动与动态依赖关系。
• 为高维设定下的稳健推断提供理论性质与估计程序。
• 通过国际贸易与城市出租车交通网络等实际应用，展示模型的实用价值。

提出的方法

• 提出一种低秩张量因子模型，将张量时间序列分解为因子载荷与时变公共因子的乘积形式。
• 通过展开（matricization）将张量转换为矩阵形式，以进行特征分解并估计载荷矩阵。
• 对估计的因子载荷应用方差最大旋转（varimax rotation），以增强可解释性并提取有意义的时间模式。
• 开发两种估计程序：一种基于展开张量的奇异值分解，另一种采用交替最小二乘法以改善收敛性。
• 引入自协方差与交叉协方差矩阵，以建模因子结构中的时间依赖性与跨模式依赖性。
• 在整个估计过程中保持数据的多维结构，避免向量化带来的信息损失。

实验结果

研究问题

• RQ1 如何将因子模型扩展至高维张量时间序列，同时保持多维结构？
• RQ2 在多维动态系统中，哪些估计程序能产生一致且可解释的因子载荷？
• RQ3 所提出的模型能否有效从复杂交通网络中提取有意义的时间模式（例如高峰时段、工作日与非工作日）？
• RQ4 估计的因子与载荷如何反映进出口与出租车交通数据中的真实世界动态？
• RQ5 在高维设定下，所提出的估计方法可建立哪些理论性质（例如一致性、收敛速率）？

主要发现

• 模型在出租车交通数据中成功提取了四种不同的时间模式：工作日的早高峰（6–9am）、工作时间（8am–3pm）、晚高峰（3–8pm）以及夜间活动（8pm–1am）。
• 在非工作日，模型识别出晨间（8am–1pm）、下午/晚间（12pm–9pm）、初夜（9pm–12am）与深夜（12am–4am）的活动模式。
• 工作日的因子载荷显示，1区（上东区）与2区（中城）在早晨高峰时段具有显著主导性，交通高峰集中在6am至9am。
• 晚高峰因子显示从中城至联合广场的高流量，与公共交通通勤模式一致。
• 夜间活动因子表明，中城与时代广场存在强交通流，反映出旅游与夜间娱乐活动的影响。
• 非工作日的模式显示，从切尔西（6区）至中城（2区），以及从上东区（1区）至约克ville/莱诺斯山（7区）在上午与下午存在显著交通流动。