揭示多元时间序列的高阶组织

时间序列分析已被证明是刻画生物学、神经科学与经济学中若干现象并理解其某些潜在动力学特征的有力方法。尽管已提出大量用于多元时间序列分析的方法，其中大多数忽视了非成对交互对涌现动力学的影响。在此，我们提出一种新框架来刻画多元时间序列中高阶依赖的时间演化。利用网络分析与拓扑学，我们表明，不同于基于成对统计的传统工具，我们的框架能稳健区分耦合混沌映射的多种时空态，包括混沌动力学相与各类同步。进而，以模拟动力学过程中的高阶共涨落模式为指导，我们突出并量化了来自脑功能活动、金融市场与传染病数据中的高阶模式特征。总体而言，我们的方法为多元时间序列的高阶组织提供了新见解，得以更好地刻画真实世界数据固有的动力学群体依赖。