9/10/2018 Análisis de espectro singular con RSSA.

Página 1

Espectro singular

Análisis con Rssa

Maurizio sanarico

Científico jefe de datos

Consultoría SDG

Milano R - 4 de junio de 2014

Página 2

Motivación

• Descubrir componentes estructurales en series temporales complejas.

• Hipótesis de trabajo: una señal está compuesta por tendencia (posiblemente múltiple

unidades), componentes oscilatorios (a menudo más de uno) y ruido (blanco

ruido o ruido de color)

• Funciona combinando conceptos y herramientas de series de tiempo clásicas.

Análisis, estadística multivariada, geometría multivariada, dinámica.

Sistemas y procesamiento de señales + estadísticas como herramienta de inferencia.

https://translate.googleusercontent.com/translate_f 1/15
9/10/2018 Análisis de espectro singular con RSSA.

Página 3

Los fundamentos: caso univariado.

• X N = (x 1 , ..., x N ): series de tiempo

• L ( 1 <L <N) : longitud de la ventana

• construir L -lagged vectores x i = (x i,..., X i + L -1) T, i = 1, 2,. . . , K , donde

K=N-L+1

• Forma la matriz de trayectoria X a partir de estos vectores.

• El análisis propio de la matriz XX T (de manera equivalente, la SVD de la matriz X ) produce un

colección de valores propios y los vectores propios L

• Una combinación r de estos vectores propios determina un subespacio r- dimensional L r en R L , r <

L. Los datos en dimensión L { X ,. . . , X } luego se proyecta en el subespacio L r
1 K
• El promedio sobre las diagonales produce algo de matriz X de Hankel *

• Series de tiempo (x * ,. . . , X* ) , en correspondencia uno a uno con X * proporciona una

1 norte
Aproximación ya sea toda la serie X o un componente particular de X
norte

Página 4

Características de la SSA

• No paramétrico y sin modelo.

• Supuesto principal detrás de la SSA básica:

• las series de tiempo se pueden representar como una suma de diferentes componentes, como

Tendencia (que definimos como cualquier serie de variación lenta), periodicidades moduladas,

y el ruido

• Los componentes interpretables pueden ser aproximados por series de tiempo de rango bajo y

descrito a través de relaciones de recurrencia lineal

https://translate.googleusercontent.com/translate_f 2/15
9/10/2018 Análisis de espectro singular con RSSA.

• La obtención de dichos componentes ayuda a la interpretación y mejora la fiabilidad de la

análisis

Página 5

Parámetros en Basic SSA

• Longitud de la ventana: L

• Índices grupales: r

• La elección de dichos parámetros se puede derivar del análisis de los resultados.

• La selección automática también se puede hacer pero depende de las situaciones.

Página 6

Aplicaciones de la SSA.

• Pronóstico

• Imputación de valor faltante (métodos de llenado de huecos)

• Detección de punto de cambio.

• Estimación de la densidad

• Análisis multivariado de series de tiempo.

https://translate.googleusercontent.com/translate_f 3/15
9/10/2018 Análisis de espectro singular con RSSA.

• Procesamiento de imágenes

Página 7

Donde se ha aplicado

• Series temporales climáticas, meteorológicas y geofísicas.

• Ingenieria

• Procesamiento de imágenes

• medicina

• Ciencias actuariales

• Mantenimiento predictivo

• Datos financieros y econométricos.

Página 8

El algoritmo

1. Incrustación: usando los vectores retardados N-L + 1 para formar la trayectoria

matriz XX T

2. Descomposición en valores singulares de la matriz obtenida.

3. Agrupando los componentes (eigentriples).

https://translate.googleusercontent.com/translate_f 4/15
9/10/2018 Análisis de espectro singular con RSSA.

4. Reconstruya la serie por el promedio de la diagonal (cuanto mejor, más cerca

los componentes son a la independencia)

Página 9

Propiedades

• Descubrir automáticamente:

• Tendencias (una o múltiples)

• Componentes oscilatorios (periodicidades multi-periódicas o moduladas)

• Residual

• Soporte de métodos de pronóstico natural: Lineal recurrente o vectorial.

• Puede usarse como un paso de preprocesamiento para muchos otros análisis:

• Pronóstico

• Estimación de densidad espectral de componentes específicos.

• Llenado de huecos en series de tiempo.

Página 10

Algunos problemas: Separabilidad

• La separación de dos series de tiempo X (1) y X (2) significa la posibilidad de

extraer X (1) de la suma observada X (1) + X (2)

• Los componentes de las series de tiempo se pueden identificar sobre la base de

siguiente principio: la forma de un vector propio replica la forma de

El componente de serie de tiempo que produce este vector propio.

https://translate.googleusercontent.com/translate_f 5/15
9/10/2018 Análisis de espectro singular con RSSA.

• Los gráficos de vectores propios pueden ayudar en el proceso de identificación.

• Una sinusoide genera, exactamente o aproximadamente, dos ondas sinusoidales

Componentes con la misma frecuencia y el desplazamiento de fase = 2

• Por lo tanto, el diagrama de dispersión de un par de vectores propios , que produce un mayor o

polígono T-vertex menos regular , puede ayudar a identificar una sinusoide del período T

Página 11

Algunos problemas: Separabilidad

• Información muy útil para la separación está contenida en el llamado

matriz de correlación w

• Esta es la matriz que consiste en correlaciones ponderadas entre los

Componentes de series de tiempo reconstruidas. Los pesos reflejan el número de

Entradas de los términos de series de tiempo en su matriz de trayectoria.

• Los componentes bien separados tienen una pequeña correlación mientras que están mal separados

componentes tienen gran correlación

• Por lo tanto, mirando la matriz de correlación w se pueden encontrar grupos de

correlacionadas series reconstruidas elementales y utilizan esta información para el

agrupación consecuente. Una de las reglas es no incluir en diferentes grupos.

Los componentes correlacionados.

Pagina 12

Algunos problemas: Elección de la incrustación

• La incrustación L debe ser lo suficientemente grande (es decir, L = N / 2) y si queremos

Para extraer un componente periódico con período conocido, entonces la ventana

https://translate.googleusercontent.com/translate_f 6/15
9/10/2018 Análisis de espectro singular con RSSA.
Las longitudes que son divisibles por el período proporcionan una mejor separabilidad.

• Si la serie de tiempo tiene una estructura compleja, el llamado secuencial

Se recomienda SSA. La SSA secuencial consta de dos etapas, en el

En primer lugar se extrae la tendencia con una pequeña ventana de longitud y luego

Los componentes periódicos se detectan y extraen de los residuos.

con L = N / 2

Página 13

Rssa, SSA en R: primer ejemplo

biblioteca (rssa)
# Etapa de descomposición
s <- ssa (co2, L = 120)
parcela (s)
gráfico (s, tipo = "vector")
parcela (s, tipo = "emparejado")
gráfico (s, tipo = "wcor")
# Etapa de reconstrucción
# Agrupación de mirar la matriz W Cor
# Los resultados son las series reconstruidas r $ F1, r $ F2 y r $ F3
recon <- reconstruir (s, grupos = lista (c (1,4), c (2, 3), c (5, 6)))
# Calcular los residuos.
res <- residuos (recon)
parcela (recon, tipo = "cumsum")
plot (wcor (s, groups = list (c (1,4), c (2,3), c (5, 6))))
parcela (recon)

Página 14

Resultados

https://translate.googleusercontent.com/translate_f 7/15
9/10/2018 Análisis de espectro singular con RSSA.

Página 15

Resultados

Página 16

Resultados: series reconstruidas, acumulativas.

ver

https://translate.googleusercontent.com/translate_f 8/15
9/10/2018 Análisis de espectro singular con RSSA.

Página 17

Resultados: Serie reconstruida de Wcor.

Página 18

Resultados: series reconstruidas,

componentes

https://translate.googleusercontent.com/translate_f 9/15
9/10/2018 Análisis de espectro singular con RSSA.

Página 19

Otro metodo de agrupacion

# Agrupación alternativa, usando análisis de cluster en los eigen triples

lst <-clusterify (s, group = 1: 6, nclust = 3)

primero

r <- reconstruir (s, grupos = lista (c (1), c (2, 3, 4), c (5, 6)))

gráfico (wcor (s, groups = list (c (1), c (2,3, 4), c (5, 6))))

trama (r)

Página 20

Resultados
https://translate.googleusercontent.com/translate_f 10/15
9/10/2018 Análisis de espectro singular con RSSA.

Página 21

Comparación con wavelets

• Wavelets

• PROS
• Naturalmente multiescala

• CONTRAS
• Elección de la base.
• Elección de condiciones de contorno (reflexivo / periódico)
• Elección de los niveles en la descomposición.
• Profundidad de la descomposición wavelet.
• Longitud de la ventana de prueba

• SSA

• PROS
• Parámetro único (longitud de la ventana)
• Base adaptativa / basada en datos (EOF = funciones ortogonales empíricas)

• CONTRAS
• No es naturalmente multiescala (pero se puede adaptar)

Página 22

https://translate.googleusercontent.com/translate_f 11/15
9/10/2018 Análisis de espectro singular con RSSA.
Otro ejemplo: consumo de energía.

datos

Página 23

Otro ejemplo: ctd.

https://translate.googleusercontent.com/translate_f 12/15
9/10/2018 Análisis de espectro singular con RSSA.
Página 24

Otro ejemplo: ctd.

Página 25

Otro ejemplo: ctd., Vista acumulativa

https://translate.googleusercontent.com/translate_f 13/15
9/10/2018 Análisis de espectro singular con RSSA.

Página 26

Otro ejemplo: ctd., Vista componente

Página 27

Pronósticos: series de co2

s <- ssa (co2)

f <- pronóstico (s, grupos = lista (1: 6), método = "bootstrap-recurrent", len =

24, R = 10)

# Grafica el resultado incluyendo los últimos 24 puntos de la serie.

plot (f, include = 24, shadecols = "green", type = "l")

https://translate.googleusercontent.com/translate_f 14/15
9/10/2018 Análisis de espectro singular con RSSA.

Página 28

Predicción: la serie CO2

https://translate.googleusercontent.com/translate_f 15/15