autoformer之Period-based dependencies

这段话讨论了基于周期的依赖性，具体来说是在不同周期中的相同相位位置上，自然会产生相似的子过程。这种现象受到随机过程理论的启发。

自相关函数的概念

自相关函数$R_{XX}(\tau )$用来测量一个时间序列 { X t } \{X_t\} {Xt​}与其滞后序列 { X t − τ } \{X_{t-\tau}\} {Xt−τ​}之间的相似性。其公式如下：

$R_{XX}(\tau )={\lim }_{L\to \infty }\frac{1}{L}{\sum }_{t=1}^L{X}_t{X}_{t-\tau }$

这个公式表示，当我们有一个长度为$L$的时间序列时，自相关函数$R_{XX}(\tau )$是这个时间序列与其滞后$\tau$步的时间序列的点积的平均值。

具体数据举例

假设我们有一个时间序列 { X t } \{X_t\} {Xt​}如下：

$X=[1,3,2,4,1,3,2,4,1,3,2,4]$

我们计算滞后为$\tau =4$的自相关函数。为了简单起见，我们假设$L=12$：

$R_{XX}(4)=\frac{1}{12}{\sum }_{t=1}^{12}{X}_t{X}_{t-4}$

这里，我们仅计算$t\ge 4$的部分：

$$\begin{array}{rl}t=5:& X_5\cdot X_1=1\cdot 1=1\\ t=6:& X_6\cdot X_2=3\cdot 3=9\\ t=7:& X_7\cdot X_3=2\cdot 2=4\\ t=8:& X_8\cdot X_4=4\cdot 4=16\\ t=9:& X_9\cdot X_5=1\cdot 1=1\\ t=10:& X_{10}\cdot X_6=3\cdot 3=9\\ t=11:& X_{11}\cdot X_7=2\cdot 2=4\\ t=12:& X_{12}\cdot X_8=4\cdot 4=16\end{array}$$

因此，

$R_{XX}(4)=\frac{1}{12}(1+9+4+16+1+9+4+16)=\frac{60}{12}=5$

这个自相关函数$R_{XX}(4)$反映了序列 { X t } \{X_t\} {Xt​}和其滞后序列 { X t − 4 } \{X_{t-4}\} {Xt−4​}之间的相似性。高自相关值表示序列在滞后$\tau$时具有很强的周期性。

选择最可能的周期长度

我们可以计算不同滞后值$\tau$的自相关函数，然后选择自相关值最高的$k$个滞后值作为最可能的周期长度${\tau }_1,{\tau }_2,\dots ,{\tau }_k$。

假设我们计算了滞后为 1 到 8 的自相关函数值，并得到如下结果：

$$\begin{array}{rl}{R}_{XX}(1)& =0.5\\ R_{XX}(2)& =1.2\\ R_{XX}(3)& =0.8\\ R_{XX}(4)& =5.0\\ R_{XX}(5)& =0.4\\ R_{XX}(6)& =1.0\\ R_{XX}(7)& =0.3\\ R_{XX}(8)& =4.5\end{array}$$

我们可以看到滞后$\tau =4$和$\tau =8$的自相关值最高，因此我们可以选择这些滞后值作为最可能的周期长度。

基于周期的依赖性

基于上述估计的周期长度，我们可以推导出基于周期的依赖性，并且可以根据相应的自相关函数对其进行加权。换句话说，周期长度${\tau }_1,{\tau }_2,\dots ,{\tau }_k$可以用于构建时间序列的依赖模型，这些模型能够捕捉时间序列中的周期性结构，并对其进行加权，以反映每个周期的相对重要性。

结论

通过识别和利用时间序列中的周期性结构，我们可以更准确地理解数据的内在模式和规律。自相关函数为我们提供了一种有效的方法来识别这些周期性结构，并为基于周期的依赖模型提供了基础。