[论文解读] From time series to complex networks: the Dynamical Visibility Graph

Igor V. Bezsudnov, S. V. Gavrilov+1 more|arXiv (Cornell University)|Aug 31, 2012

Time Series Analysis and Forecasting被引用 2

一句话总结

本文提出参数化自然可视图（PNVG），一种通过可调视角参数映射时间序列至复杂网络的改进算法。通过调节该参数，PNVG能够揭示时间序列中隐藏的结构特征——如相关性、分形特性以及心率变异性中的生理差异——这些特征在标准自然可视图中无法被检测到，从而实现对不同类型时间序列的增强表征与区分。

ABSTRACT

We present the modification of natural visibility graph (NVG) algorithm used for the mapping of the time series to the complex networks (graphs). We propose the parametric natural visibility graph (PNVG) algorithm. The PNVG consists of NVG links, which satisfy an additional constraint determined by a newly introduced continuous parameter - the view angle. The alteration ofview angle modifiesthe PNVG and its properties such as the average node degree, average link length of the graph as well as cluster quantity of built graph etc. Wecalculated and analyzed different PNVG properties depending on the view angle for different types of the time series such as the random (uncorrelated, correlated and fractal) and cardiac rhythm time series for healthy and ill patients. Investigation of different PNVG properties shows that the view angle gives a new approach to characterize the structure of the time series that are invisible in the conventional version of the algorithm. It is also shown that the PNVG approach allows to distinguish, identify and describe in detail various time series.

研究动机与目标

• 为解决标准自然可视图（NVG）在捕捉时间序列细微结构特征方面的局限性。
• 开发一种灵活的基于网络的框架，通过可调参数揭示时间序列中的隐藏动力学。
• 实现对不同类型时间序列（包括随机、相关、分形及生理信号）的详细区分。
• 研究网络属性（如平均度与聚类系数）随视角参数的变化规律。
• 展示PNVG在区分健康与病理心脏节律方面的能力。

提出的方法

• 通过引入连续视角参数，提出自然可视图（NVG）的参数化扩展。
• 基于阈值化视线条件定义时间序列中两点间的可视性，即连接两点的直线斜率必须小于或等于视角参数。
• 构建复杂网络，其中节点代表时间序列数据点，仅当满足给定视角参数下的可视性条件时才形成边。
• 分析平均节点度、平均连边长度及聚类系数等网络属性随视角参数的变化。
• 将PNVG应用于多种时间序列：不相关、相关、分形及健康与患病患者的心电图（ECG）信号。
• 利用统计与拓扑网络度量比较不同时间序列及视角参数下PNVG的输出结果。

实验结果

研究问题

• RQ1 视角参数如何影响时间序列映射中生成网络的拓扑结构？
• RQ2 PNVG能否检测到标准NVG无法识别的时间序列结构差异？
• RQ3 PNVG在多大程度上可区分健康与病理心脏节律？
• RQ4 不同时间序列类型中，平均度与聚类系数等网络属性如何随视角参数变化？
• RQ5 PNVG对时间序列中的相关性与分形特性具有多大敏感性？

主要发现

• PNVG中的视角参数可系统调节网络拓扑，包括平均节点度与平均连边长度。
• PNVG揭示了时间序列中标准NVG无法检测到的结构特征，如长程相关性与分形行为。
• PNVG方法基于网络属性特征的显著差异，成功区分了健康与病理性心脏节律时间序列。
• PNVG中网络聚类与连边长度分布随视角参数显著变化，表明对时间序列动力学具有高度敏感性。
• 与传统可视图方法相比，该方法提供了更细致、更深入的时间序列结构表征。
• PNVG框架在多种时间序列类型（包括随机、确定性及生理信号）中表现出强鲁棒性。