时间延迟聚合（Time Delay Aggregation, TDA）机制

图示解释

这幅图展示了时间延迟聚合（Time Delay Aggregation, TDA）机制的细节，该机制用于捕捉时间序列数据中的周期性和趋势性特征。以下是图中各部分的详细解释：

1. 时间延迟 (Time Delay)

• Time Delay：对原始时间序列进行多种时间延迟操作，得到不同的时延版本。每个时延版本表示在不同时间滞后的数据序列。
• Roll(τ₁), Roll(τ₂), …, Roll(τₖ)：这些表示对原始时间序列按不同的时间滞后τ进行滚动操作，得到多个时延序列。τ₁, τ₂, …, τₖ表示不同的时间滞后值。

2. 时间延迟后的序列 (Rolled Sequences)

• 滚动后的序列：对原始时间序列进行滚动操作后，得到多个长度为L的时延序列。每个序列表示在不同时间滞后的数据状态。
• 每个时延序列：这些序列保留了原始数据的形状，但相对于原始数据进行了一定的时间位移。

3. 相关性计算 (Correlation Calculation)

• R(τ₁), R(τ₂), …, R(τₖ)：这些表示对每个时延序列计算的相关性。这一步通过与某个参考序列（可能是原始序列或其他处理过的序列）进行点乘计算得到相关性。
• 点乘操作（×）：每个时延序列与参考序列进行点乘，计算出相关性值。

4. 软最大化 (SoftMax)

• SoftMax：对计算出的相关性值进行SoftMax操作，得到各个时延序列的权重。这些权重表示每个时延序列在最终聚合结果中的重要性。
• 相关性融合 (Fusion)：对所有时延序列的相关性值进行加权融合，得到最终的聚合结果。

具体步骤

1. 输入时间序列：原始时间序列数据输入到TDA模块。
2. 时间延迟操作：对输入时间序列进行多种时间滞后操作，得到多个时延版本。
3. 相关性计算：对每个时延序列与参考序列进行相关性计算，得到各个时延序列的相关性值。
4. SoftMax操作：对所有相关性值进行SoftMax操作，计算出各个时延序列的权重。
5. 加权融合：对所有时延序列的相关性值进行加权融合，得到最终的时间序列聚合结果。

举例说明

假设我们有一个简单的时间序列数据，记录了过去10天的每日温度：

$[30,32,31,29,30,33,34,35,36,38]$

步骤1：时间延迟操作

• Roll(τ₁)：假设τ₁为1天，则第一个时延序列为$[38,30,32,31,29,30,33,34,35,36]$。
• Roll(τ₂)：假设τ₂为2天，则第二个时延序列为$[36,38,30,32,31,29,30,33,34,35]$。
• …

步骤2：相关性计算

• 对每个时延序列与参考序列进行相关性计算，假设参考序列为原始序列。

步骤3：SoftMax操作

• 对计算出的相关性值进行SoftMax操作，得到每个时延序列的权重。

步骤4：加权融合

• 使用计算出的权重对所有时延序列的相关性值进行加权融合，得到最终的聚合结果。

总结

通过时间延迟聚合机制，可以有效地捕捉时间序列中的周期性和趋势性特征。这种方法利用多种时间滞后操作和相关性计算，结合SoftMax加权融合，能够生成更加准确和稳定的时间序列预测结果。