时序分析 42 -- 时序数据转为空间数据 (一) 格拉姆角场

最新推荐文章于 2025-04-09 22:38:13 发布

置顶

Magic Ktwc37

最新推荐文章于 2025-04-09 22:38:13 发布

阅读量1.8w

点赞数 36

分类专栏：时序分析文章标签：线性代数矩阵内积格拉姆角场时序转换分析

本文链接：https://blog.csdn.net/weixin_43171270/article/details/126800316

版权

Gramian Angular Field （格拉姆角场）

我们通常认为时序数据为一维数据，实际上时序数据隐含另外一个维度就是时间。但有时我们可能需要从其他维度来解读单变量时序数据，例如我们可以把时序数据转换为空间数据，就是类似图像的数据，后续可以使用卷积神经网络来进行特征提取。达到这一目的有两个常用方法，格拉姆角场(Gramian Augular Fields, GAF)和马尔可夫转换场(Markov Transition Fields, MTF)。本篇文章主要介绍GAF，下一篇介绍MTF。

一. 理论部分

GAF牵涉到了太多的数学，本文结合一些简单的数学知识，主要是从直观上解释GAF。

内积回顾

首先让我们回忆一下两个向量内积的定义：

$\langle a, b\rangle = \lVert a \rVert \lVert b \rVert \cos \theta$

其中， $\theta$ 为两个向量的夹角。如果我们忽略向量的长度，那么向量内积就可以被理解为两个向量的相似程度。越相近，内积值越接近 $1$ ；而反之则接近 $- 1$ 。

Gram Matrix

我们引入Gram Matrix，想象我们保存一个列向量的集合在一个矩阵 $X$ 中，Gram Matrix定义为：
$G = X^TX$ ,可以展开为
$\begin{bmatrix} \langle x_1, x_1 \rangle & \langle x_1, x_2 \rangle & … & \langle x_1, x_N \rangle \\ \langle x_2, x_1 \rangle & \langle x_2, x_2 \rangle & … & \langle x_2, x_N \rangle \\ … & … & … & … \\ \langle x_N, x_1 \rangle & \langle x_N, x_2 \rangle & … & \langle x_N, x_N \rangle \end{bmatrix}$
可以看出Gram矩阵就是向量集合中每对向量之间的内积。
读者看到这里，可能会疑惑，所说的这些和时序数据有什么关系呢。时序数据的每个数据点并不是一个向量而是一个标量。确实如此，GAF并不直接应用Gram矩阵。