Forecasting the underlying potential governing the time series of a dynamical system
我们介绍了一种技术的时间序列分析,潜在的预测,这是基于动态传播的概率密度的时间序列。我们采用多项式系数的正交逼近的经验概率分布和外推,以预测未来的概率分布的数据。该方法在人工数据上进行了测试,用于后报观测气候数据,然后应用于预测北极海冰时间序列。拟议的方法完成了一个临界点“潜在分析”框架,该框架利用几种独立的时间序列分析技术,共同预测、检测和预报非线性变化,包括分叉。虽然在本文中被应用于气候序列,该方法是非常普遍的,可以用来预测动力学的任何来源的时间序列。
2013-04-19 physics.data-an physics.geo-ph
Discrimination of the Healthy and Sick Cardiac Autonomic Nervous System by a New Wavelet Analysis of Heartbeat Intervals
我们证明,它是可能的区分与健康受试者和患者之间的各种功能障碍的心脏神经系统的RR间期的多分辨率小波变换的方式完全确定。我们重复了Thurner等人对不同主题的研究。我们表明,重建系列使用过滤器,丢弃小波系数与更高的尺度,使人们能够分类的方法,否则是不确定的个人。我们建议在$\sim 0.035$范围内(对于上述滤波器),滤波重建RR间期时间序列的标准差的界定诊断值,低于该值的个体处于风险中。
1998-05-10 adap-org chao-dyn nlin.AO
Measuring dynamical phase transitions in time series
本文提出一种基于Rényi熵谱导数的高效度量,用于定量预测混沌时间序列中的动力学相变,并通过经典动力学系统验证其有效性。
2024-07-18 nlin.CD physics.data-an
Partial Transfer Entropy on Rank Vectors
为了评估双变量时间序列中的信息流,已经采用了信息度量,诸如传递熵(TE)、符号传递熵(STE)(与TE类似地定义,但是在重构向量的分量的秩上)以及秩向量上的传递熵(TERV),类似于STE,但是形成关于当前重构向量的响应系统的未来样本的秩。在这里,我们扩展TERV的多变量时间序列,并考虑到存在的混淆变量,称为部分转移熵的行列(PTERV)。我们调查的渐近性质的PTERV,也部分STE(PSTE),构造参数的显著性检验下近似高斯和伽玛空分布,并表明,参数检验不能实现的权力的随机化测试使用时移替代品。使用已知的耦合动力系统的模拟和应用参数和随机化的显着性检验,我们表明,PTERV表现优于PSTE,但不如部分传递熵(PTE)。然而,与PTE不同,PTERV对时间序列中存在的漂移是鲁棒的,并且它也不受去趋势水平的影响。
2013-03-26 cs.IT math.IT nlin.CD
Statistical Inference of 1D Persistent Nonlinear Time Series and Application to Predictions
本研究结合分数阶微积分与离散时间朗之万方程,提出从稀疏采样时间序列重构长程相关一维随机过程宏观模型的方法,并将其应用于波茨坦日温数据,通过平均首次通过时间预测初霜日期,验证了长记忆模型在次季节到季节尺度的预测潜力。
2023-11-04 physics.data-an
Using symbolic networks to analyse dynamical properties of disease outbreaks
本文提出了一种新的分析流行病时间序列演化的方法,该方法基于流行病网络的构建。首先,我们将时间序列转化为包含疾病流行率局部波动信息的有序模式。每个模式都与网络的一个节点相关联,其(有向)连接来自系列中的连续出现。网络结构和每个模式的作用的分析,允许根据熵/复杂性的增强沿着系列对它们进行分类,给出关于给定疾病的演变的不同观点。
2019-11-13 physics.bio-ph physics.data-an physics.soc-ph
Detecting dynamical changes in time series by using the Jensen Shannon Divergence
自然界中的大多数时间序列是确定性和随机动力学信号的混合。因此,这两个特征之间的区别变得很重要。混沌和偶然信号之间的区别是困难的,因为它们有一个共同的宽带功率谱,一个三角形的自相关函数,以及共享其他功能。一般情况下,信号是以连续记录的形式出现的,需要进行离散化处理。在这项工作中,我们提出了不同的计划,离散化和检测动态变化的时间序列。主要动机之一是检测从混沌状态到随机状态的转变。所使用的工具起源于信息理论。所提出的方案被应用到模拟和现实生活中的信号,在所有情况下,显示出很高的熟练程度检测相关的时间序列的动态变化。
2017-02-24 nlin.CD physics.data-an
Feature-preserving interpolation and filtering of environmental time series
我们提出了一种方法,用于填补空白和消除干扰的时间序列的应用程序,涉及连续监测的环境变量。该方法是非参数的,并基于一个迭代的模式匹配之间的受影响的和有效的部分的时间序列。它认为几个变量共同在模式匹配过程中,并允许保持变量之间的线性或非线性依赖。重构的时间序列中的不确定性通过多个实现来量化。该方法进行了测试的自电位数据,是受强干扰以及数据间隙,结果表明,我们的方法允许再现原始信号的频谱特征。即使在存在强烈信号扰动的情况下,它也能显著改善信号,并校正由非对称干扰引入的偏差。潜在的应用范围很广,包括地球物理学、气象学和水文学。
2015-08-10 physics.data-an physics.geo-ph
Reverse engineering of complex dynamical networks in the presence of time-delayed interactions based on noisy time series
复杂动态网络的逆向工程对于许多领域都很重要,在这些领域中,揭示未知网络的完整拓扑结构并估计表征网络结构和动态过程的参数是很有意义的。我们考虑复杂的振荡器网络的时间延迟的相互作用在噪声环境中,并开发了一种有效的方法来推断网络的完整拓扑结构和评估的时间延迟量仅基于噪声污染的时间序列。特别是,我们开发了一个分析理论,建立动态相关矩阵,它可以构建纯粹的时间序列,可以操纵产生的网络拓扑结构和时间延迟量的同时。广泛的数值支持,以验证该方法。虽然我们的方法提供了一个可行的解决方案,网络逆问题,重大的困难,局限性和挑战仍然存在,这些都进行了彻底的讨论。
2012-12-18 nlin.AO physics.data-an q-bio.NC
Quantifying the irregularity of a time series
University of Bonn Medical Centre(波恩大学医学中心);University of Bonn(波恩大学)
本文提出circulance作为量化时间序列不规则性的指标,通过分析经典模型和实证数据,展示了其在识别不同动力学状态中的有效性。
2025-11-25 nlin.CD physics.data-an
Approach to predicting extreme events in time series of chaotic dynamical systems using machine learning techniques
提出用卷积神经网络分类混沌系统状态,在Hénon映射时间序列中预测极端事件,过渡状态预测成功率超80%。
2025-07-10 nlin.CD physics.data-an
"Layer-by-layer" Unsupervised Clustering of Statistically Relevant Fluctuations in Noisy Time-series Data of Complex Dynamical Systems
本文提出一种名为 Onion Clustering 的迭代式无监督聚类方法,通过逐层检测、分类并移除噪声时间序列中的统计相关涨落,揭示复杂动力系统在不同时间分辨率下可稳健区分的动力学簇,并在多尺度模拟与实验轨迹中验证了其有效性。
2024-03-11 physics.data-an
Evaluating strong measurement noise in data series with simulated annealing method
许多随机时间序列可以用朗之万方程描述,该方程由确定性和随机动力学部分组成。这样的随机过程可以通过最近引入的非参数方法来重建,从而增加了可预测性,即宏观漂移和微观扩散函数的知识。如果随机过程的测量受到额外的强测量噪声的影响,则不能应用重建过程。在这里,我们提出了一种方法,在强测量噪声的存在下,重建随机过程的基础上,适当的参数化的anastrophic。该过程的核心是最小化包含从测量数据中获取的条件矩的项与相应的反函数之间的函数距离。它示出,通过模拟退火过程的距离最小化产生更好的结果比以前使用的Levenberg-Marquardt算法,它允许快速和可靠的重建的随机过程。
2012-12-27 physics.data-an
Learning Interpretable Hierarchical Dynamical Systems Models from Time Series Data
Central Institute of Mental Health (CIMH)(中央精神卫生研究所(CIMH));Heidelberg University(海德堡大学);Hector Institute for AI in Psychiatry(赫克托精神病学人工智能研究所)
提出分层无监督动力系统重建框架,融合多域时间序列信息,在保留各域动力学的同时发现可解释低维特征并支持跨参数机制泛化。
2025-02-17 cs.AI cs.LG math.DS
On the proper reconstruction of complex dynamical systems spoilt by strong measurement noise
本文报道了一种新的方法来正确地分析时间序列的动力系统,这是破坏了同时存在的动态噪声和测量噪声。它示出,即使是强大的外部测量噪声以及动态噪声,这是一个内在的一部分的动态过程中,可以被正确地量化,仅仅基于测量的时间序列和适当的数据分析。最后,现实世界的数据集,指出新方法的相关性。
2006-07-04 nlin.CD physics.data-an
Linear scaling causal discovery from high-dimensional time series by dynamical community detection
Scuola Internazionale Superiore di Studi Avanzati (SISSA)(国际高等研究院);International Centre for Theoretical Physics (ICTP)(国际理论物理中心)
提出一种基于动力学社区检测的因果发现框架,计算成本随变量数线性增长,通过优化信息不平衡识别社区并排序构建因果图,在多达80变量的系统中验证了效率与准确性。
2026-09-10 physics.data-an stat.ME
Machine learning approach to detect dynamical states from recurrence measures
School of Physics, Indian Institute of Science Education and Research, Thiruvananthapuram(印度科学教育与研究学院特里凡得琅分校物理学院);Mahatma Gandhi University(圣雄甘地大学)
该研究将机器学习与非线性时间序列分析结合,利用递归度量特征,通过Logistic Regression等三种算法将时间序列分类为周期、混沌等状态,并成功应用于变星光变曲线的动力学状态预测。
2024-03-20 cs.LG physics.data-an