利用时变低秩自回归从时空数据中发现动态模式
机器学习
2022-11-29 v1 人工智能
信号处理
摘要
本文研究了时空数据分析中具有广泛实际兴趣的问题，即从时空数据中发现可解释的动态模式。为此，我们开发了一种时变降秩向量自回归 (VAR) 模型，其系数矩阵通过低秩张量分解进行参数化。得益于张量分解结构，所提模型能够同时实现模型压缩和模式发现。特别是，所提模型允许人们刻画时空数据底层的非平稳性和时变系统行为。为了评估所提模型，在代表不同非线性动力系统的各种时空数据上进行了广泛的实验，包括流体动力学、海面温度、美国地表温度和纽约市出租车行程。实验结果证明了所提模型在时空数据建模和刻画空间/时间模式方面的有效性。在空间背景下，空间模式可以通过空间模态被自动提取并直观地刻画。在时间背景下，所提模型中复杂的时变系统行为可以通过时间模态来揭示。因此，我们的模型为理解现实世界动力系统中的复杂时空数据奠定了富有洞察力的基础。改编的数据集和 Python 实现已公开于 https://github.com/xinychen/vars。
引用
@article{arxiv.2211.15482,
title = {Discovering Dynamic Patterns from Spatiotemporal Data with Time-Varying Low-Rank Autoregression},
author = {Xinyu Chen and Chengyuan Zhang and Xiaoxu Chen and Nicolas Saunier and Lijun Sun},
journal= {arXiv preprint arXiv:2211.15482},
year = {2022}
}