冲击波变换：一种用于识别社会技术时间序列中局部机制驱动动力学的方法
摘要
我们引入一种定性的、基于形状的、与时间尺度无关的时域变换，用于从社会技术时间序列中提取局部动力学——称为离散冲击波变换（Discrete Shocklet Transform, DST）——以及一个关联的相似性搜索程序，即冲击波变换与排序（Shocklet Transform And Ranking, STAR）算法，该算法指示出时间序列面板表现出定性相似异常行为的时间窗口。在将我们的算法与用于异常检测和时间序列相似性搜索的其他方法（如矩阵轮廓、季节性混合ESD和基于离散小波变换的程序）进行区分之后，我们展示了DST在广泛时间尺度上识别机制驱动动力学的能力及其对函数参数化的相对不敏感性。作为一个应用，我们分析了一个社会技术数据源（Twitter上一个词子集的使用频率），并通过使用我们的算法提取机制性局部动力学的类型学以及英语Twitter所感知的社会重要事件的数据驱动叙事，来突出我们算法的实用性。
引用
@article{arxiv.1906.11710,
title = {The shocklet transform: A decomposition method for the identification of local, mechanism-driven dynamics in sociotechnical time series},
author = {David Rushing Dewhurst and Thayer Alshaabi and Dilan Kiley and Michael V. Arnold and Joshua R. Minot and Christopher M. Danforth and Peter Sheridan Dodds},
journal= {arXiv preprint arXiv:1906.11710},
year = {2019}
}
备注
29 pages (20 body, 9 appendix), 20 figures (13 body, 7 appendix), three online appendices available at http://compstorylab.org/shocklets/ (two displaying interactive visualizations and one containing over 10,000 figures), open-source implementation of STAR algorithm and discrete shocklet transform available at https://gitlab.com/compstorylab/discrete-shocklet-transform