Autoformer中自相关的计算是如何执行的

自相关的计算

自相关函数（Auto-Correlation Function, ACF）是用于度量时间序列自身在不同滞后时间上的相关性的方法。下面详细解释自相关的计算步骤和原理：

自相关的定义

对于一个时间序列 X = { X 1 , X 2 , … , X T } X = \{X_1, X_2, \ldots, X_T\} X={X1​,X2​,…,XT​}，其自相关函数$\text{ACF}(k)$表示序列在滞后时间$k$时的自相关性。自相关函数可以表示为：

$$\text{ACF}(k)=\frac{{\sum }_{t=1}^{T-k}(X_t-\bar{X})(X_{t+k}-\bar{X})}{{\sum }_{t=1}^T(X_t-\bar{X}{)}^2}$$

其中：
-$k$是滞后时间。
-$X_t$是时间步$t$的数据点。
-$\bar{X}$是时间序列$X$的均值。
-$T$是时间序列的长度。

计算步骤

1. 计算时间序列的均值：
   首先计算时间序列的均值$\bar{X}$：
   $$\bar{X}=\frac{1}{T}\sum _{t=1}^T{X}_t$$

2. 计算自相关函数：
   对于每个滞后时间$k$，计算自相关函数$\text{ACF}(k)$：
   $$\text{ACF}(k)=\frac{{\sum }_{t=1}^{T-k}(X_t-\bar{X})(X_{t+k}-\bar{X})}{{\sum }_{t=1}^T(X_t-\bar{X}{)}^2}$$

   • 分子部分：计算时间步$t$与滞后时间步$t+k$的偏差乘积的累加和。
   • 分母部分：计算整个时间序列的方差（即所有时间步与均值偏差的平方和）。

实际例子

假设我们有一个简单的时间序列 X = { 2 , 4 , 6 , 8 , 10 } X = \{2, 4, 6, 8, 10\} X={2,4,6,8,10}，我们计算其在不同滞后时间$k$下的自相关函数。

1. 计算均值：
   $$\bar{X}=\frac{2+4+6+8+10}{5}=6$$

2. 计算滞后时间$k=1$时的自相关函数：

   • 分子部分：
     $$\sum _{t=1}^{5-1}(X_t-6)(X_{t+1}-6)=(2-6)(4-6)+(4-6)(6-6)+(6-6)(8-6)+(8-6)(10-6)=(-4)(-2)+(-2)(0)+(0)(2)+(2)(4)=8+0+0+8=16$$

   • 分母部分：
     $$\sum _{t=1}^5(X_t-6{)}^2=(2-6{)}^2+(4-6{)}^2+(6-6{)}^2+(8-6{)}^2+(10-6{)}^2=16+4+0+4+16=40$$

   • 自相关函数：
     $$\text{ACF}(1)=\frac{16}{40}=0.4$$

3. 计算滞后时间$k=2$时的自相关函数：

   • 分子部分：
     $$\sum _{t=1}^{5-2}(X_t-6)(X_{t+2}-6)=(2-6)(6-6)+(4-6)(8-6)+(6-6)(10-6)=(-4)(0)+(-2)(2)+(0)(4)=0-4+0=-4$$

   • 分母部分同上，为 40。

   • 自相关函数：
     $$\text{ACF}(2)=\frac{-4}{40}=-0.1$$

通过这些步骤，我们可以计算出时间序列在不同滞后时间下的自相关函数，从而帮助模型识别和利用时间序列中的周期性依赖关系。

总结

自相关函数用于度量时间序列在不同滞后时间上的相关性，计算过程中需要考虑序列的均值和方差。通过计算自相关函数，可以发现时间序列中的周期性模式，这对于时间序列预测模型，如 Autoformer，具有重要的意义。