Pyts入门之时间序列的分解---奇异谱分析（七）

原创

已于 2022-04-01 13:38:44 修改 · 3.7k 阅读

38 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #sklearn #python #Pyts #时间序列

于 2022-03-31 13:53:46 首次发布

简介

Pyts库针对时间序列的分解，只有一种算法，即奇异谱分析（Singular Spectrum Analysis），它能将时间序列分解为趋势和噪音两部分，它的名字的由来和奇异值分解有关，实际上SSA的实质就是将协方差矩阵进行奇异值分解（singular value decomposition），再对得到的奇异值进行谱分析变换，所以它的算法包含以下过程（由于比较复杂，此处简要叙述重点，如需详情请自行查看wiki或者搜索引擎）：
1.嵌入矩阵（embedding)，或者其实就是我们之前学过的窗口变换，把时间序列变为存在很多窗口的矩阵。即以下这种形式，
在这里插入图片描述
2.对协方差矩阵进行奇异值分解（这步是关键）。这里的协方差矩阵S或者说相关系数矩阵S其实就是XX^T，怎么算的可能有人不理解，我放一个油管视频的图在这里。

注意图片里手放的第二排。然后在SSA里有一点令人迷惑的是…它确定了这个神奇的公式：
在这里插入图片描述
并且此处U是正交的，代入之后总之就变成了以下东西：

其中带根号的就是特征值也就是油管图片中的西格玛符号。
3.分组（grouping）。简单理解就是把总的索引分成了m个子集。
4.对角线平均化（Diagonal averaging）。过程依然复杂，总之就是把上面的重组成了m个子序列。

API

class pyts.decomposition.SingularSpectrumAnalysis
(window_size=4, groups=None)

参数	说明
window_size	int or float，窗口大小，小数就是总长度x小数，窗口的实际大小会通过以下公式计算：max(2, ceil(window_size * n_timestamps(序列长度，或者说特征数目)))
groups	None, int or array-like，算法第三步的分组数目，如果为None，直接跳过分组，如果为整数则为分组数目，同时组边界是np.linspace(0, window_size, groups + 1).astype(‘int64’)，或者可以传入索引数组