小工具知识网

当前位置: 首页 > 行业知识 > 使用Python 实现奇异谱分析SSA(Singular Spectrum Analysis)算法

行业知识

使用Python 实现奇异谱分析SSA(Singular Spectrum Analysis)算法

2026-11-21 05:08:52 来源:互联网转载

简介

SSA是一种近几年新兴的时序分析算法,通过对时间序列进行升维后做SVD,进而分组重构来实现对时间序列的成分分析,目前用于预测、插值补全以及去噪

具体步骤包括四个部分:

1.构建轨迹矩阵(Embedding)

2.轨迹矩阵SVD分解

3.分组

4.对角平均

1.准备工作

这里我们生成一组间隔带有噪声的序列,包含了周期项、趋势项和随机噪声

import numpy as npimport matplotlib.pyplot as pltnumber = 30days = 180tend_sequence = np.linspace(2,-2,num=days)time = np.linspace(0,2*np.pi*days/number,num=days)sin_sequence = np.sin(time)signal = sin_sequence+tend_sequencenoise = np.random.randn(days)sequence = noise+sin_sequence+tend_sequenceplt.plot(tend_sequence,color='yellow',label='Tendency')plt.plot(sin_sequence,color='blue',label='Periodicity')plt.plot(noise,color='red',label='noise')plt.legend()plt.show()plt.plot(sequence,color='red',label='with noise')plt.plot(signal,color='blue',label='original')plt.legend()plt.show()

2.SSA具体实现

在实际操作中,我们将从以下步骤进行计算:

1. 对于长度为 N N N 的时间序列,以 L L L 为滑动窗口,依次进行采样,获得大小为 L × K L×K L×K 的轨迹矩阵 X X X,其中 K = N − L + 1 K=N-L+1 K=N−L+1

2. 对 X X X 做SVD分解,文献中经常给出完整的计算方法(先计算 X X T XX^T XXT等),但是经过检验直接使用numpy.linalg.svd()是可行的。

分解后获得 U 、 Σ 、 V T U、\Sigma 、V^T U、Σ、VT

3. 构建 X X X的基本矩阵(elementary matrices),这里 X i = σ i U i V i T X_i=\sigma_i U_i V_i^T Xi​=σi​Ui​ViT​,这里认为轨迹矩阵 X X X是由 L L L个这样的基本矩阵加和而成的。

4. 将基本矩阵 X i X_i Xi​通过对角平均的操作,还原到长度为 N N N的时间序列,即为原序列的一个构成成分

这一部分代码参考了

[机器学习] 奇异谱分析(SSA)原理及Python实现

windowlen = 45serieslen = days#1.嵌入K = serieslen-windowlen+1X = np.zeros((windowlen,K))for i in range(windowlen):    X[i,:] = sequence[i:i+K]#2.SVD分解U,sigma,VT = np.linalg.svd(X,full_matrices=False)ZT = np.zeros((VT.shape))for n in range(len(sigma)):    ZT[n,:] = sigma[n]*VT[n,:]#3.对每个Ui*ZTi所得到的Xi进行对角平均获得重构子序列,一般我们假设L

上一篇:电脑主机所有风扇都停止转动怎么办

下一篇:南京设计公司精选,创意设计的力量展现风采