VISTA-SSM：基于状态空间模型的变采样与不规则采样时间序列分析
应用统计
2026-01-14 v3
摘要
我们引入了 VISTA，一种基于参数化状态空间混合模型的多元不规则采样时间序列聚类方法。VISTA 专为在源自医疗保健和心理学等此类采样问题常见的数据集中进行无监督群体识别而设计。我们的方法采用线性高斯状态空间模型（LGSSM），为拟合广泛的时间序列动力学提供了灵活的参数化框架。聚类方法本身基于以下假设：总体可表示为固定数量 LGSSM 的混合。VISTA 的模型构建允许显式推导对数似然函数，由此我们开发了一种期望最大化方案，以将模型参数拟合到观测数据样本。我们的算法实现旨在处理采样率变化大且采样不规则的多元时间序列总体。我们在模拟和真实数据集上评估了该方法的多功能性与准确性，包括人口趋势、可穿戴传感器数据、流行病学时间序列和生态瞬时评估。结果表明，VISTA 优于大多数可比的标准时间序列聚类方法。我们提供了 VISTA 的 Python 开源实现。
引用
@article{arxiv.2410.21527,
title = {VISTA-SSM: Varying and Irregular Sampling Time-series Analysis via State Space Models},
author = {Benjamin Brindle and Thomas Derrick Hull and Matteo Malgaroli and Nicolas Charon},
journal= {arXiv preprint arXiv:2410.21527},
year = {2026}
}