基于复杂网络的方法来描述不规则时间序列中事件的聚类

在复杂系统中，事件以不规则的间隔发生，这本身就编码了系统的底层动力学。分析这些事件的时间聚类有助于揭示非随机模式和时间演化。现有技术可以有效量化事件整体聚类倾向的全局统计 Measures。然而，这些宏观方法留下了一个关键缺口，即它们不尝试检视单个聚类的数据的动态。分析单个聚类至关重要，因为它有助于理解主动驱动系统动力学的局部相互作用，这些相互作用可能被全局平均所掩盖，同时也揭示了涉及的时间尺度。为解决这些限制，我们提出了一个基于复杂网络的框架，用于分析在不规则间隔上发生的事件的聚类。该框架使用到达时间建立连接，将时间序列转化为网络。随后使用网络属性来量化聚类。进一步使用社区检测算法识别时间序列中的单个聚类。我们通过将其应用于诸如泊松过程和马尔可夫调制泊松过程等标准到达过程来说明该方法。为进一步展示其范围，我们将该方法应用于湍流流动中液滴到达的时间序列以及心电图（ECG）信号中的 R-R 间隔。