信号分解(如 EMD,ITD)应用于时间序列预测时是否存在问题

探讨了EMD与ITD等信号分解方法在时间序列预测中的应用问题,指出这些方法因使用未来数据进行分解而导致信息泄露,违背了时间序列预测的本质。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

类似EMD的信号分解方法用于预测前的预处理是否存在原理上问题

很多学者利用种种信号分解方法来分解信号后,再进行时间序列预测,常用方法有EMD(Empirical Mode Decomposition)ITD (Intrinsic Time-Scale Decomposition)等。
问题: 但是最近对于信号分解应用于时间序列预测的方法是否存在信息泄露问题有不同的见解,也有一些朋友遇到了类似的问题:

因此在下文中展开陈述

为何ITD与EMD等信号分解方法不适合时间序列的预测,并且以ITD为例进行公式探究。

// 本文仅陈述自己的观点,本人能力有限,如有不当请指正。//

时间序列预测的本质:

是利用历史数据对未来数据的一个猜测与估计,但是 EMD与ITD等方法在分解信号时,利用到了未来的数据对历史数据进行分解,因此存在一个信息泄露问题。

[Example]

以ITD 原文链接为例,在对 X t Χ_t Xt 信号分解的时候,提取出baseline 信号 L t L_t Lt 与 residual信号 H t H_t Ht ,其中 :
X t = L t + H t X_t =L_t +H_t Xt=Lt+Ht

L t = L k + ( L k + 1 − L k X k + 1 − X k ) ( S t − X k ) , t ∈ ( τ k , τ k + 1 ] L_{t}=L_{k}+\left(\frac{L_{k+1}-L_{k}}{X_{k+1}-X_{k}}\right)\left(S_{t}-X_{k}\right), \quad t \in\left(\tau_{k}, \tau_{k+1}\right] Lt=Lk+(Xk+1XkLk+1Lk)(StXk),t(τk,τk+1]

L k + 1 = α [ X k + ( τ k + 1 − τ k τ k + 2 − τ k ) ( X k + 2 − X k ) ] + ( 1 − α ) X k + 1 L_{k+1}=\alpha\left[X_{k}+\left(\frac{\tau_{k+1}-\tau_{k}}{\tau_{k+2}-\tau_{k}}\right)\left(X_{k+2}-X_{k}\right)\right]+(1-\alpha) X_{k+1} Lk+1=α[Xk+(τk+2τkτk+1τk)(Xk+2Xk)]+(1α)Xk+1

其中, τ k τ_k τk 代表第 k k k 个极值对应的横坐标。那么可以看出,如果要分解时间在第 ( τ k , τ k + 1 ) (τ_k,τ_{k+1}) τkτk+1 之间的信号,必须要使用到 τ k + 2 τ_{k+2} τk+2 的信息,也就是未来的信息。
ITD
如果从图形中解释,如上图所示,当获得了 τ j + 1 τ_{j+1} τj+1 这个点的数值 (实线)后,才能分解得到 τ j τ_j τj以及其之前的数据 (虚线)。

自己对ITD存在信息泄露的理解

如果从图形中解释,如上图所示,当获得了 τ j + 1 τ_{j+1} τj+1 这个点的数值 (实线)后,才能分解得到 τ j τ_j τj以及其之前的数据 (虚线)。

这与时间序列预测的本质有所违背,不适合先ITD分解,后训练+预测。

  • EMD与ITD类似,均需要提取未来的局部最值
  • ITD对于该问题仅仅出现在窗口边缘,而EMD的问题可以清晰的体现整个窗口。

参考文献

[1] Frei Mark G and Osorio Ivan 2007Intrinsic time-scale decomposition: time–frequency–energy analysis and real-time filtering of non-stationary signalsProc. R. Soc. A.463321–342 http://doi.org/10.1098/rspa.2006.1761.

评论 12
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

JasonDean

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值