高维时间序列集上的超图使用签名变换-计算机科学-机器学习-多变量时间序列-动态超图-拓扑数据分析.pdfVIP

高维时间序列集上的超图使用签名变换。

RémiVaucher

andPaulMinchella

LaboratoireERIC,Bron69676,France

HaliasTechnologies,Meylan38240,France,remi.vaucher@halias.fr

UniversitéClaudeBernardLyon1,69100Villeurbanne,France

paul.minchella@lyon.unicancer.fr

CentreLéonBérard,Lyon69008,France

本

译摘要在最近几十年，超图及其通过拓扑数据分析（TDA）的分析已作为

中理解复杂数据结构的强大工具出现。已经开发了多种方法来构造超图——

在TDA框架中称为单纯复形——覆盖数据集，使多于两个顶点之间的边

1能够形成。

v

2本文解决了从多变量时间序列集合构建超图的挑战。虽然以前的工作集中

0在单个多变量时间序列的情况，我们将这一框架扩展到处理此类时间序列

8

5的集合。我们的方法通过利用签名变换的属性来引入可控随机性，从而增

1强构建过程的鲁棒性，推广了[3]中提出的方法。我们在合成数据集上验证

.

7了我们的方法，并展示了有希望的结果。

0

5

2Keywords:多变量时间序列·动态超图·签名。

:

v

i

x1介绍：使用签名变换在多变量时间序列上计算超图。

r

a

1.1动机与背景

从时间序列数据构建超图近年来受到了广泛关注，因为它们能够捕捉传

统成对图无法表示的高阶关系。虽然现有方法已经解决了从单个多变量时间

序列构造超图的问题，但将其扩展到多个多变量时间序列则带来了独特的挑

战和机遇。

例如，在流行病学中，多个时间序列可能代表不同地理区域的症状动

态。理解这些症状模式之间的高阶相互作用可以提供疾病传播和新型病理出

现的洞察。同样地，在金融市场中，同时分析多个资产价格序列可以揭示简

单的相关性分析可能会遗漏的复杂市场依赖关系。

2R.Vaucheretal.

1.2相关工作。

几种方法已被提出用于从时间序列数据构建超图[6,8,10,9]。然而，算法

2看起来是唯一能够扩展到新类型任务的方法：在上构造一个

超图，其中每个本身是多变量的。

1.3签名变换。

考虑是一条路径有界变差：