[论文解读] Measures of Analysis of Time Series (MATS): A MATLAB Toolkit for Computation of Multiple Measures on Time Series Data Bases

Dimitris Kugiumtzis, Alkiviadis Tsimpiris|arXiv (Cornell University)|Feb 9, 2010

Complex Systems and Time Series Analysis参考文献 43被引用 9

一句话总结

本论文介绍了MATS，一个基于MATLAB的工具包，用于在大规模时间序列数据库上计算全面的线性、非线性和统计测量。它通过可自定义的参数化、置换检验、可视化和预处理，实现了高效的分析，应用领域涵盖生理学、金融学和动力系统。

ABSTRACT

In many applications, such as physiology and finance, large time series data bases are to be analyzed requiring the computation of linear, nonlinear and other measures. Such measures have been developed and implemented in commercial and freeware softwares rather selectively and independently. The Measures of Analysis of Time Series ({ t MATS}) { t MATLAB} toolkit is designed to handle an arbitrary large set of scalar time series and compute a large variety of measures on them, allowing for the specification of varying measure parameters as well. The variety of options with added facilities for visualization of the results support different settings of time series analysis, such as the detection of dynamics changes in long data records, resampling (surrogate or bootstrap) tests for independence and linearity with various test statistics, and discrimination power of different measures and for different combinations of their parameters. The basic features of { t MATS} are presented and the implemented measures are briefly described. The usefulness of { t MATS} is illustrated on some empirical examples along with screenshots.

研究动机与目标

• 解决在生理学、金融学和气候科学等多样化领域中，缺乏集成且可扩展的软件来计算多种时间序列测量的问题。
• 提供一个统一且用户友好的MATLAB环境，支持大规模时间序列分析，具备可自定义参数和可视化功能。
• 支持诸如变化检测、通过置换数据进行线性/统计独立性检验以及使用重采样技术进行测量区分等高级分析。
• 通过将从相关维数到熵和ARMA模型等复杂测量集成到单一可扩展工具包中，简化复杂测量的计算。
• 支持时间序列的预处理和变换（例如去趋势、Box-Cox变换、z得分），以提高测量的鲁棒性和适用性。

提出的方法

• 该工具包使用MATLAB实现，利用其GUI和内置工具箱（信号处理、系统辨识、统计）进行核心计算。
• 通过使用.k-d树数据结构（通过.dll和.mexglx文件调用）加速高维状态空间重构中的最近邻搜索。
• 时间序列通过灵活的预处理流程进行处理，包括标准化（z得分、均匀分布、正态分布）、去趋势、滞后差分和Box-Cox变换。
• 实现了重采样技术（如随机置换、傅里叶变换、AAFT、IAAFT和AMRB），用于生成置换数据以进行假设检验。
• 测量计算支持可配置参数（例如嵌入维数、半径、窗口大小），参数值通过标准化符号系统指定。
• 系统支持多个时间序列的批量处理，并生成带有命名测量的输出，包括针对不同参数配置的变体，以支持对比分析。

实验结果

研究问题

• RQ1 如何通过统一的软件工具包高效计算多样化科学领域中的广泛时间序列测量？
• RQ2 置换数据方法（如IAAFT、AMRB）在单一框架中有效集成的程度如何，以测试时间序列的线性和独立性？
• RQ3 不同测量参数设置（如嵌入维数、半径）如何影响其在识别动力学变化方面的区分能力？
• RQ4 基于GUI的MATLAB工具包是否能通过预处理和可视化功能提升时间序列分析的可访问性和可重复性？
• RQ5 当处理长时序或大规模时间序列数据库时，该工具包的性能和可扩展性如何？

主要发现

• MATS成功地在一个统一且可扩展的MATLAB环境中实现了多种时间序列测量，包括相关维数、熵、ARMA模型和非线性预测。
• 使用k-d树显著加速了最近邻搜索，从而实现了相关维数和虚假最近邻等测量的高效计算。
• 该工具包支持多种重采样方法（如IAAFT、AMRB），可对时间序列的线性和独立性进行稳健的零假设检验。
• 可自定义的参数化（如半径、嵌入维数、窗口大小）使得能够系统评估不同配置下测量的敏感性和性能。
• GUI和可视化功能促进了结果的直观探索与解释，尤其在检测动力学变化和比较不同测量方面具有优势。
• 实证示例展示了该工具包在分析生理信号（如发作前期的EEG段）和金融时间序列方面的实用性，证明了其在实际应用中的重要价值。