[论文解读] Multivariate and 2D Extensions of Singular Spectrum Analysis with the Rssa Package

Nina Golyandina, Anton Korobeynikov+2 more|arXiv (Cornell University)|Sep 19, 2013

Statistical and numerical algorithms参考文献 39被引用 68

一句话总结

本文介绍了 Rssa 包中对奇异谱分析（SSA）的多变量及二维扩展的实现，引入了适用于非矩形图像分析的形状化 2D-SSA。该方法利用快速傅里叶变换（FFT）实现高效的汉克尔矩阵运算，并提供了一个统一的框架，涵盖 MSSA、2D-SSA 和 ShSSA，同时通过 R 代码示例展示了时间序列与图像在分解、预测和信号重构方面的实际应用。

ABSTRACT

Implementation of multivariate and 2D extensions of Singular Spectrum Analysis (SSA) by means of the R-package Rssa is considered. The extensions include MSSA for simultaneous analysis and forecasting of several time series and 2D-SSA for analysis of digital images. A new extension of 2D-SSA analysis called Shaped 2D-SSA is introduced for analysis of images of arbitrary shape, not necessary rectangular. It is shown that implementation of Shaped 2D-SSA can serve as a base for implementation of MSSA and other generalizations. Efficient implementation of operations with Hankel and Hankel-block-Hankel matrices through FFT is suggested. Examples with code fragments in R, which explain the methodology and demonstrate the proper use of Rssa, are presented.

研究动机与目标

• 为多变量和多维 SSA 应用提供 Rssa 包的全面指南。
• 提出形状化 2D-SSA（ShSSA）作为一般化方法，以实现对非矩形图像（如圆形或不规则形状数组）的分析。
• 通过快速傅里叶变换（FFT）高效实现汉克尔矩阵与汉克尔-块-汉克尔矩阵运算，以提升计算性能。
• 在统一的 SSA 框架下整合 MSSA、2D-SSA 和 ShSSA 的理论与算法，采用专门的嵌入算子。
• 通过详细的 R 代码示例支持实际应用，涵盖时间序列与图像处理中的分解、预测与可视化。

提出的方法

• 将通用 SSA 框架——轨迹矩阵构建、SVD、分组与重构——适配于多变量时间序列（MSSA）、二维数组（2D-SSA）及任意形状数组（ShSSA）。
• 采用基于窗的嵌入方法，从输入数据生成具有汉克尔、堆叠汉克尔或拟汉克尔结构的轨迹矩阵。
• 对轨迹矩阵应用奇异值分解（SVD），以提取主成分与信号子空间。
• 利用快速傅里叶变换（FFT）实现高效的 SVD 与矩阵运算，加速大规模汉克尔与块汉克尔矩阵的计算。
• 开发一种快速秩一汉克尔化算法，用于从分组矩阵中重构时间序列或图像分量。
• 通过基于伪逆的移位矩阵（P†P）实现子空间预测，构建向量与行预测方法，支持低秩更新的递归预测。

实验结果

研究问题

• RQ1 如何在统一的计算框架中将奇异谱分析扩展至多变量时间序列与二维图像数据？
• RQ2 嵌入算子在将 SSA 适配于不同数据类型（如多变量序列与非矩形图像）中起到何种作用？
• RQ3 形状化 2D-SSA 方法如何实现对非矩形网格之外任意形状图像的分析？
• RQ4 在多维 SSA 中，可应用哪些计算优化（尤其是基于 FFT 的方法）来加速 SVD 与重构步骤？
• RQ5 ShSSA 框架在多大程度上可作为其他 SSA 扩展（如 MSSA 与 2D-SSA）的基础实现？

主要发现

• 形状化 2D-SSA 通过泛化轨迹矩阵构建，能够有效分解与分析具有非矩形形状的图像（如圆形或不规则形状数组）。
• ShSSA 的实现为 MSSA 与 2D-SSA 提供了统一基础，表明所有多维 SSA 扩展均可视为单一广义算法的特例。
• 通过 FFT 高效计算汉克尔与汉克尔-块-汉克尔矩阵，显著降低了 SVD 与重构的计算复杂度，大幅提升了大规模数据集的性能。
• 基于伪逆的移位矩阵（P†P）实现的快速向量与行预测算法，每步仅需 O(r²) 次操作（其中 r 为信号子空间维数），实现高速递归预测。
• Rssa 包在所有 SSA 扩展中提供一致的高级接口，R 代码示例完整展示了从数据输入到分解、预测与可视化的工作流程。
• 通过证明快速预测算法与标准投影预测方法等价，验证了其理论正确性，确保了预测的可靠与准确。