[论文解读] Testing and forecasting the time series of the solar activity by singular spectrum analysis

А.И. Лоскутов, И. А. Истомин+2 more|ArXiv.org|Oct 13, 2000

Statistical and numerical algorithms参考文献 19被引用 14

一句话总结

本文提出将奇异谱分析（SSA）作为一种稳健方法，用于利用沃尔夫黑子数分析和预测太阳活动。通过将时间序列分解为可解释的分量，SSA准确捕捉到了11年的太阳周期，并能够可靠地预测未来16年的太阳活动，预测显示2011年左右将出现一个相对平静的太阳极大期。

ABSTRACT

To study and forecast the solar activity data a quite perspective method of singular spectrum analysis (SSA) is proposed. As known, data of the solar activity are usually presented via the Wolf numbers associated with the effective amount of the sunspots. The advantages and disadvantages of SSA are described by its application to the series of the Wolf numbers. It is shown that the SSA method provides a sufficiently high reliability in the description of the 11-year solar cycle. Moreover, this method is appropriate for revealing more long cycles and forecasting the further solar activity during one and a half of 11-year cycle.

研究动机与目标

• 评估奇异谱分析（SSA）在分析和预测太阳活动时间序列方面的有效性。
• 确定SSA是否能仅基于观测数据、无需物理建模，可靠地重建和预测11年太阳周期。
• 探究SSA在检测长期周期及预测超过一个完整11年周期方面的能力。
• 比较SSA在处理短时序、非平稳且低维的太阳活动数据时与传统方法的性能。

提出的方法

• 使用指定的嵌入维数τ，通过滞后嵌入将原始沃尔夫数时间序列转换为轨迹矩阵。
• 从轨迹矩阵X计算协方差矩阵C = (1/n)XX^T，以捕捉时间相关性。
• 对C进行特征值分解，即C = VΛV^T，以提取特征向量（主成分）和特征值。
• 通过选择对应于显著分量的主导特征三元组（特征值-特征向量对）来重构时间序列。
• 利用重构分量对数据进行平滑处理，提取周期性，并通过外推分量时间序列实现一步向前预测。
• 在每次预测步骤中通过更新特征向量并重新估计分量，实施迭代校正以提高精度。

实验结果

研究问题

• RQ1 SSA是否能仅基于历史沃尔夫数数据，准确重构并预测11年太阳周期？
• RQ2 SSA在检测和建模11年主导周期之外的长期周期方面的能力有多强？
• RQ3 在数据长度有限的情况下，SSA在约16年（即1.5个太阳周期）的时间范围内预测太阳活动的表现如何？
• RQ4 数据预处理（如对数变换）对SSA在太阳活动预测中的性能有何影响？
• RQ5 SSA在处理非平稳、短长度的太阳时间序列时，与傅里叶和基于相关性的方法相比表现如何？

主要发现

• 即使仅使用约250年的较短数据跨度，SSA仍能以高可靠性捕捉11年太阳周期。
• 该方法可实现对未来16年（覆盖一个半太阳周期）的太阳活动预测，且精度可接受。
• 预测显示2011年左右的太阳极大期将相对微弱，表明将出现低于平均水平的活动期。
• 在预测过程中引入迭代校正，通过在每一步更新特征向量，可提高预测精度。
• 对数据进行对数变换不会显著改变特征结构，因此无需进行该变换以提取有意义的分量。
• 尽管存在相位滞后累积和分量选择缺乏明确规则等局限性，SSA仍为太阳活动预测提供了一种有价值的传统谱方法替代方案。