Tekil Spektrum Analizi
Singular Spectrum Analysis · Ayrıca şöyle bilinir: SSA, SVD-based decomposition
Tekil Spektrum Analizi (SSA), bir zaman gecikmeli gömme matrisinin tekil değer ayrışımına (SVD) dayanan, zaman serisi ayrıştırma ve tahmin için parametrik olmayan bir yöntemdir. Broomhead ve King (1986) tarafından tanıtılan ve Vautard, Yiou ve Ghil (1992) tarafından daha da geliştirilen SSA, zaman serilerini herhangi bir temel model varsaymadan trend, salınım ve gürültü bileşenlerine ayırır. Özellikle parametrik yaklaşımların başarısız olduğu kısa, gürültülü durağan olmayan sinyaller için etkilidir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Parametrik bir model varsaymadan kısa, gürültülü zaman serilerinde trend, salınımlar ve gürültüyü ayırmanız gerektiğinde SSA uygulayın. İklim verileri, ekonomik göstergeler, sismik sinyaller ve durağan olmayan davranışa sahip herhangi bir alan için idealdir. SSA, sinyal-gürültü oranının düşük olduğu veya verilerin birden fazla örtüşen bileşene sahip olduğu durumlarda öne çıkar.
Güçlü yönler & sınırlılıklar
- Parametrik olmayan yaklaşım — model sırası veya frekans bileşenlerinin belirtilmesini gerektirmez
- Klasik yöntemlerin zorlandığı kısa zaman serileri ve gürültülü verilerle iyi çalışır
- Eş zamanlı trend çıkarımı ve gürültü filtrelemesi sağlar
- Açık fiziksel veya ticari anlamı olan yorumlanabilir bileşenler
- Tersine çevrilebilir ve geri döndürülebilir — yeniden yapılandırılan bileşenler orijinal sinyale tam olarak toplanır
- Pencere uzunluğu L'nin dikkatli seçilmesini gerektirir — sağlamlığı sağlamak için duyarlılık analizi gereklidir
- Tekil bileşenleri sinyal ve gürültü olarak gruplandırmak özneldir; otomatik bir algoritma mevcut değildir
- Çok uzun zaman serileri için gömme matrisi büyür, bellek ve hesaplama maliyetini artırır
- Yöntem, pencere içindeki örüntülerin durağanlığını varsayar — ani rejim değişiklikleri olan oldukça durağan olmayan sinyaller için uygun değildir
SSS
Optimal pencere uzunluğu L'yi nasıl seçerim?
L, önemli örüntüleri yakalayacak kadar uzun (tipik olarak L > 2 × baskın periyot) ancak yeterli serbestlik derecesine sahip olacak kadar kısa (L < N/2) olmalıdır. Duyarlılığı değerlendirmek ve seçimi yönlendirmek için kümülatif varyans grafikleri veya çapraz doğrulama kullanın.
Tekil değerlerde sinyali gürültüden nasıl ayırırım?
Tekil değer spektrumu genellikle sinyal değerlerinin keskin bir şekilde düştüğü ve gürültünün başladığı belirgin bir 'diz'e sahiptir. Yamaç grafiğinin görsel incelenmesi, özvektörlerin fiziksel yorumuyla birleştiğinde kesme noktasını belirlemeye yardımcı olur. Daha resmi yöntemler arasında MDL (minimum açıklama uzunluğu) ve AIC bulunur.
SSA geleceği tahmin edebilir mi?
Evet, Tekrarlayan SSA (R-SSA) ve Vektör SSA (VSSA) varyantları tahmin için kullanılabilir. Yeniden yapılandırılan trend ve salınım bileşenlerini ileriye doğru yansıtmak için kullanırlar. Ancak, SSA'nın kendisi öncelikle bir ayrıştırma aracıdır; tahmin ek modelleme gerektirir.
SSA ile PCA arasındaki ilişki nedir?
SSA, esasen zaman gecikmeli bir gömme matrisine uygulanan PCA'dır. Fark kavramsaldır: PCA gözlemleri bağımsız olarak ele alırken, SSA gömme matrisi aracılığıyla verilerin zamansal yapısını kullanır.
SSA çok değişkenli zaman serilerini işleyebilir mi?
Evet, çok değişkenli SSA (MSSA), yöntemi birkaç zaman serisini aynı anda işlemek için genişletir. Birden çok seriden sütunlarla bir blok Hankel matrisi oluşturur ve aynı SVD ve yeniden yapılandırma adımlarını uygular.
Kaynaklar
- Broomhead, D. S., & King, G. P. (1986). Extracting qualitative dynamics from experimental data. Physica D: Nonlinear Phenomena, 20(2–3), 217–236. DOI: 10.1016/0167-2789(86)90031-X ↗
- Vautard, R., Yiou, P., & Ghil, M. (1992). Singular-spectrum analysis: A toolkit for short, noisy chaotic signals. Physica D: Nonlinear Phenomena, 58(1–4), 95–126. DOI: 10.1016/0167-2789(92)90103-T ↗
- Golyandina, N., Nekrutkin, V., & Zhigljavsky, A. (2001). Analysis of Time Series Structure: SSA and Related Techniques. Chapman and Hall/CRC. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Singular Spectrum Analysis. ScholarGate. https://scholargate.app/tr/time-series/singular-spectrum-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bağımsız Bileşen Analizi (BBA)Makine öğrenmesi↔ karşılaştır
- Çekirdek PCAMakine öğrenmesi↔ karşılaştır
- Tekil Değer AyrıştırmasıSayısal yöntemler↔ karşılaştır