Introducción a la serie de tiempo y a los patrones periódicos

El análisis de series temporales examina los puntos de datos ordenados a tiempo, con aplicaciones que abarcan finanzas, ciencia climática, fabricación y salud. Un reto central en este campo es identificar estructuras de repetición - ciclos o estaciones- que pueden mejorar la previsión y revelar procesos subyacentes. Entre las muchas herramientas matemáticas utilizadas para detectar estos patrones, Funciones acogedoras destacan por su capacidad natural de representar comportamiento periódico.

Los patrones periódicos aparecen en muchas series temporales del mundo real: las lecturas de temperatura diarias siguen un ciclo de 24 horas, las ventas minoristas crecen anualmente durante las vacaciones, y las señales de electrocardiograma (ECG) muestran latidos rítmicos. Modelar estos ciclos es preciso para tareas como detección de anomalías, descomposición de tendencias y denoización de señales. Análisis de cuatro más—el método primario para extraer componentes periódicos de una serie de tiempo. Más allá de los ciclos básicos, muchos sistemas naturales e ingenieros producen patrones cuasi-periodológicos donde la frecuencia y amplitud varían lentamente, haciendo que la descomposición basada en cosina sea aún más valiosa cuando se combina con métodos adaptables.

Por ejemplo, una red eléctrica debe predecir los patrones de consumo diarios y semanales para equilibrar la oferta y la demanda. El ciclo diario es impulsado por la actividad humana y la temperatura, mientras que el ciclo semanal refleja los días de trabajo versus los fines de semana. Ambos patrones están bien aproximados por sumas de ondas cosinas y sine en los períodos fundamentales y sus armónicos.

Función Cosina: Un bloque de construcción para la periodicidad

Una función cosina describe una onda suave y oscilante. Su forma general es:

y(t) = A · cos(2πft + φ)

  • A (amplitud) determina el valor máximo de la onda.
  • f (frecuencia) especifica el número de ciclos por unidad de tiempo.
  • t es la variable de tiempo.
  • φ (plazo de fase) compensa la onda horizontalmente, alineandola con el punto de partida de los datos.

La frecuencia angular ω = 2πf se utiliza a menudo para simplificar las expresiones. Las ondas cosinas son periódicas con el período T = 1/f. Debido a que cualquier señal sinusoidal puede ser representada como un cosine con un cambio de fase, cosine y sine son intercambiables a través de la identidad sin(θ) = cos(θ – π/2). Esta flexibilidad significa que un solo término cosine con amplitud y fase apropiada puede representar cualquier tono puro, haciendo el análisis de la frecuencia natural.

En el contexto de la serie de tiempo, podemos pensar en una onda cosina como patrón de plantilla: captura la esencia de un movimiento repetitivo hacia arriba y hacia abajo. La amplitud nos dice lo fuerte que es el patrón, la frecuencia nos dice lo a menudo que se repite, y la fase cambia el patrón para alinearse con los datos reales. Por ejemplo, un ciclo de temperatura diaria puede tener amplitud 10°C, frecuencia 1/24 por hora, y una fase periódica que coloca las frecuencias

¿Por qué Cosine? La conexión a Basis Sinusoidal

En el análisis de series temporales, las funciones cosine no se utilizan en aislamiento; se combinan con funciones sine para formar una base ortogonal completa. La expansión de la serie Fourier indica que cualquier señal periódica puede expresarse como una suma ponderada de cosines y pecados. Los componentes cosinos puros corresponden a oscilaciones incluso simétricas, mientras que los componentes sine capturan los únicos simétricos. Juntos, pueden reconstruir cualquier señal arbitraria.

Esta propiedad hace que las funciones cosine sean indispensables para el reconocimiento de patrones. Cuando una serie de tiempo contiene un patrón periódico oculto, los términos cosinos en la frecuencia correspondiente tendrán una amplitud grande en la descomposición. Al examinar estas amplitudes, los analistas pueden identificar ciclos dominantes, estimar su fuerza e incluso filtrar el ruido descartando componentes de baja amabilidad. Además, la ortogonalidad de las funciones cosina y sine garantiza simultáneamente el ciclo de extracción múltiple

Para un fondo matemático más profundo, vea el Artículo de serie Fourier sobre Wikipedia.

De Cosine a Fourier: Decomponer señales

La técnica más común para aprovechar las funciones cosinas en la serie de tiempo es la transformación Fourier. Convierte una señal de tiempo-dominio en su representación de dominio de frecuencias, revelando qué frecuencias cosinas (y sine) constituyen los datos. La transformación Fourier coincide eficazmente con la señal en un conjunto de exponenciales complejos ej2πft, que combinan cosina y se sine a través de la fórmula de Euler: ej) = porque θ + j sin θ. El resultado es un coeficiente complejo para cada frecuencia; su magnitud indica la fuerza de ese componente de frecuencia, y su argumento (fase) nos dice el cambio de fase de la onda cosina.

La Transformación de Fourier Discreta (DFT) y la Transformación de Fourier Rápido (FFT)

Para una serie de tiempo discreta x[0], x[1],... x[N–1] muestra a intervalos regulares con el período de muestreo Δt, el DFT calcula coeficientes complejos X[k] para cada cubo de frecuencia k = 0, 1, ..., N–1:

X[k# = Governingn= 0N–1 x[n- ¿Qué?–j2πkn/N

Cada coeficiente corresponde a una frecuencia fk = k /N Δt). La parte real de X[k] se relaciona con la contribución cosina, la parte imaginaria al pecado. La magnitud sometidaX[k] la vida da la amplitud del componente sinusoidal en esa frecuencia. El algoritmo Fast Fourier Transform (FFT) compute el DFT en O(N log N) tiempo, haciendo que sea práctico para grandes conjuntos de datos. En la práctica, los analistas a menudo aplican cero-padding (cerrar ceros al final de la serie) para aumentar la resolución de frecuencia, aunque esto no añade nueva información — simplemente interpola el espectro.

Es crucial respetar el Frecuencia de Nyquist fNyquist Las frecuencias por encima de este límite son afines e indistinguibles de frecuencias inferiores. Por ejemplo, si muestra un sensor de temperatura cada hora, no puede detectar ciclos más cortos que dos horas. Los filtros antialias adecuados y las tasas de muestreo apropiadas son esenciales antes de aplicar el DFT.

Interpretando el espectro de frecuencias

Plotting la magnitud ¦X[k] la duración contra la frecuencia produce el espectro. Los picos en el espectro corresponden a componentes periódicos fuertes. Para el reconocimiento de patrones, los analistas identifican estos picos para inferir el período subyacente. Por ejemplo, un pico a una frecuencia correspondiente a 24 horas en datos ambientales confirma un ciclo diurnal. periodograma, que traza la magnitud cuadrada ( densidad espectral de potencia), se utiliza a menudo para cuantificar la energía en cada frecuencia. Los intervalos de confianza se pueden calcular para distinguir los picos verdaderos del ruido aleatorio.

Resolución espectral se determina por la duración de la grabación: Δf 1/(N Δt). Una serie de tiempo más larga da una resolución de frecuencia más fina, facilitando la separación de frecuencias muy espaciadas. Para una serie corta, fuga espectral — la energía que se extiende desde un verdadero pico a los contenedores adyacentes— puede obscurecer patrones. Al mezclarse con una función de grabación (por ejemplo, Hann o Blackman) reduce la fuga, pero amplía ligeramente los picos.

En el marco de la aplicación práctica se dispone de detalles sobre la aplicación práctica Documentación de SciPy FFT.

Aplicaciones Prácticas en el Reconocimiento de Patrones

El análisis de frecuencia basado en el cosino se aplica en muchos dominios para detectar, modelar y explotar patrones periódicos. La capacidad de aislar un componente de frecuencia única hace que sea sencillo identificar y caracterizar estructuras de repetición.

Decomposición estacional en economía y detalle

Los indicadores económicos como el PIB, el desempleo y las ventas minoristas suelen presentar patrones estacionales recurrentes. Decomponer una serie en componentes de tendencia, estacional y residual se puede realizar a través del enfoque Fourier: la parte estacional se modela como una suma de unos pocos componentes cosinos a la frecuencia fundamental (por ejemplo, 1 año) y sus armónicos. Para datos mensuales, el período fundamental es de 12 meses, y la descomposición Fourier captura el modelo anual de 6 meses

Por ejemplo, una cadena minorista puede observar ciclos semanales y anuales en el tráfico de pies. Utilizando la descomposición cosina, la tienda puede aislar el patrón semanal (período 7 días) y el patrón anual (período 365 días) para predecir períodos ocupados con mayor precisión que los promedios de movimiento simple. En la práctica, software como X-13ARIMA-SEATS El analista selecciona un conjunto de frecuencias estacionales fijas (por ejemplo, 12, 6, 4, 3 meses para datos mensuales) y calcula sus amplitudes mediante regresión. Este enfoque es más flexible que las descomposiciones clásicas de promedio de movimiento y maneja la estacionalidad evolucionando cuando se combina con los coeficientes de tiempo de invasión.

Para un ejemplo práctico, el Statsmodels STL descomposition documentation muestra cómo utilizar LOESS y extracción estacional, pero los métodos basados en Fourier pueden implementarse manualmente utilizando el FFT para calcular el componente estacional.

Filtro de señales y denoización

En ingeniería, las funciones cosine permiten filtrado de bandpass. Al eliminar ciertos cubos de frecuencia en el dominio DFT y aplicar la transformación inversa, se puede eliminar el ruido no deseado preservando las señales periódicas. Esto es crucial en aplicaciones como el análisis de electrocardiograma (ECG), donde el complejo QRS repite en la frecuencia de frecuencia cardíaca (aproximadamente 1–2 Hz para adultos). Un filtro de cinta basado en cosina aísla que la banda, rechazando el ruido muscular (frecuencias de dominio superior).

Más allá de las señales biomédicas, los filtros cosinizados se utilizan en el procesamiento de audio (remove hum), monitoreo estructural de salud (modos de vibración de aislamiento), y análisis de datos climáticos (extraer las señales estacionales de mediciones ruidosas).La simplicidad de trabajar en el dominio de frecuencia hace que sea fácil diseñar filtros personalizados, pero es necesario tener cuidado para evitar artefactos de dominio de frecuencia cuando la longitud de la señal es corta.

Detección de anomalías usando residual espectral

Las anomalías en la serie de tiempo suelen aparecer como perturbaciones a los patrones periódicos. método residual espectral (Salvador et al.) utiliza la transformación Fourier para calcular el espectro de amplitud de registro, resta una versión lisa y reconstruye el residual en el dominio del tiempo. Puntos con grandes valores residuales se marcan como anomalías. Este enfoque detecta efectivamente los outliers en datos de monitoreo de servidores, tráfico de red y lecturas de sensores industriales sin necesidad de datos de entrenamiento etiquetados.

El algoritmo funciona como sigue: (1) computar el FFT de la serie de tiempo; (2) tomar la magnitud y el logaritmo para obtener el espectro de registro; (3) aplicar un filtro de suavizado (por ejemplo, promedio sobre una ventana deslizante) al espectro de registro para obtener una base; (4) restar la base para obtener el residual espectro; (5) combinar el residual con la fase original utilizando el método inverso FFT dominante; (6) el método de tiempo residual resalta puntos donde el patrón de frecuencia periódica

Una guía práctica de este método está disponible en el Documentación de herramientas de detección de anomalías ADTK.

Análisis avanzado de la frecuencia del tiempo

El análisis estándar Fourier asume que las frecuencias subyacentes son estacionarias, es decir, los mismos componentes periódicos persisten durante toda la serie de tiempo. Muchas señales del mundo real, sin embargo, muestran patrones cambiantes con el tiempo. Por ejemplo, la frecuencia de vibración de una máquina puede derivar a medida que se calienta, o una señal de onda cerebral puede cambiar entre ritmos alfa y beta.

Transformación de Fourier de corto tiempo (STFT)

El corto tiempo Fourier Transform aborda la no-estationaridad dividiendo la serie en ventanas superpuestas y computando el DFT en cada ventana. El resultado es un espectrograma que muestra cómo el contenido de frecuencia evoluciona con el tiempo. Las funciones cosine todavía juegan un papel central, pero la elección de función de ventana (por ejemplo, Hamming, Hann) afecta la fuga espectral.

El intercambio en STFT es entre resolución de tiempo y resolución de frecuencias: una ventana más corta proporciona una localización mejor de tiempo pero una resolución de frecuencia más baja, y viceversa. La longitud de la ventana debe ser elegida sobre la base de la tasa de cambio prevista del patrón. Por ejemplo, detectar el inicio de un terremoto en datos sísmicos requiere ventanas cortas (resolución de tiempo alto), mientras que la vigilancia de la lenta deriva de un lanzamiento musical requiere ventanas más largas (resolución de alta frecuencia). método de reasignación puede afilar el espectrograma mediante la reasignación de energía basada en la información de fase, utilizando propiedades cosine-derived.

Análisis de Wavelet y el Wavelet Morlet

Para datos altamente no estacionarios, el análisis de ondas ofrece una alternativa. Las ondas utilizan versiones escaladas y cambiadas de una “hola madre” (a menudo un cosine modulado, como la onda Morlet) para capturar cambios de frecuencia en múltiples resoluciones. Morlet wavelet es una onda de avión multiplicada por una ventana Gaussiana — esencialmente una función cosina con un sobre localizado en el tiempo. Esto permite la localización simultánea de tiempo y frecuencia, que es superior a STFT para señales con patrones transitorios.

El cambio continuo de onda (CWT) calcula la similitud entre la señal y la onda a diferentes escalas y posiciones. Mediante el ajuste de la escala, la onda puede coincidir tanto con la alta frecuencia (duración corta) como con las oscilaciones de baja frecuencia (duración larga) de baja frecuencia. El núcleo coslotino de onda Morlet asegura que responde fuertemente a los componentes periódicos, mientras que los Gauslike

Más información sobre la ola morlet en el Documentación de MathWorks.

Similitud del Cosino para la serie de tiempo que coincide

Más allá de la descomposición de frecuencia, las funciones cosine también aparecen en similitud cosina, una métrica utilizada para comparar segmentos de series temporales. La similitud cosina mide el cosino del ángulo entre dos vectores:

similarity = (A·B) / (fortpreviamente infligidaA sometida infligida por la tortura

En la serie de tiempo, dos ventanas correderas pueden ser representados como vectores y comparados. Una alta similitud cosina (cerca a 1) indica que las dos ventanas tienen una orientación de patrón similar, independientemente de la escalada de magnitud. Esto es especialmente útil para identificar subsecuencias repetidas, como motivos recurrentes en datos de sensores o formas de onda de latidos cardíacos similares en señales ECG.

Tenga en cuenta que la similitud cosina captura la similitud de forma más que amplitud. Dos ondas sine con la misma frecuencia pero diferentes amplitudes tienen una similitud cosina de 1 si están en fase, pero cerca de 0 si son 90° fuera de fase. Esta sensibilidad de fase debe ser considerada cuando se combinan patrones. En el descubrimiento de motivos, es común alinear subsequences por la corelación cruzada antes de computar la similitud cosina, o utilizar el circular de lacorrelación que puede ser computado eficientemente a través de la base FFT y cosine. Por ejemplo, para encontrar la mejor alineación entre dos ventanas, puede calcular su cruza-correlación circular utilizando la transformación Fourier; el pico de la corelación cruzada da el cambio que maximiza la similitud cosina.

La similitud cosina también se utiliza en la serie de tiempo de agrupación, donde la media de un grupo no es a menudo un promedio simple, pero se computa en el dominio de frecuencia para preservar la alineación de fase. agrupación espectral de series temporales, donde la matriz de similitud se construye utilizando distancia cosina después de proyectar en un espacio de características basado en Fourier.

Autocorrelación y Cosina: Otra Perspectiva

La función de autocorrelación (ACF) de una serie de tiempo mide cuán fuerte está correlacionada la serie con una versión retardada de sí misma. f, la ACF es también una onda cosina con la misma frecuencia, pero sin amortiguar. Para datos reales, la ACF de un componente periódico mostrará picos en lags iguales a múltiples del período. Esta relación se deriva del teorema Wiener-Khinchin, que establece que la densidad espectral de potencia (la magnitud cuadrada de la transformación Fourier) es la transformación Fourier de la función de autocorrelación dual.

En la práctica, los analistas utilizan a menudo la ACF para identificar los períodos de candidatos antes de aplicar la FFT. Por ejemplo, una serie de ventas minoristas podría mostrar una importante autocorrelación a lag 7 (semana) y lag 365 (anualmente). Estos lags corresponden a frecuencias 1/7 y 1/365. Sin embargo, la ACF no es tan sensible como la FFT para detectar múltiples ciclos superpuestos, porque ciclos fuertes pueden enmascarar.

Además, la función de autocorrelación parcial (PACF) aísla el efecto directo de un lag, que puede ayudar a determinar el número de términos cosinos necesarios en modelos autoregresivos. Por ejemplo, un componente de modelo ARIMA estacional se especifica a menudo por un lag estacional de 12 para datos mensuales, que pueden derivarse de los picos de ACF. Las funciones cosine aparecen implícitamente en la ecuación característica del modelo.

Limitaciones y consideraciones

Mientras que las funciones cosine son poderosas, no son una solución universal.

  • Hipótesis de la estabilidad: El análisis básico de Fourier supone que el patrón periódico sigue siendo constante. Los datos reales suelen contener tendencias, amplitudes cambiantes o derivas de frecuencia, que pueden oscurecer picos espectrales. Métodos como STFT o análisis de ondas ofrecen soluciones parciales, pero introducen sus propios cambios entre la resolución de tiempo y frecuencia.
  • Resolución vs. fuga: La serie de corto tiempo o las frecuencias que cambian rápidamente requieren cambios entre la resolución de frecuencia y la resolución del tiempo. La fuga espectral de ventanas finitas puede crear falsos picos. El ventanamiento cuidadoso (Hann, Hamming, Blackman-Harris) es esencial, pero ninguna ventana elimina la fuga por completo.
  • Patrones no sinusoideos: Algunos fenómenos periódicos, como ondas cuadradas o señales de aserto, requieren que muchos componentes cosinos armónicos sean aproximados. En tales casos, la frecuencia fundamental puede no ser el pico dominante, complicando la detección. Por ejemplo, una onda cuadrada con frecuencia fundamental f tiene picos espectrales en f, 3f, 5f, ... con amplitudes decrecientes. Los analistas deben ser conscientes de que el período verdadero puede ser ambigua del espectro solo.
  • Alineación y apalancamiento: Los aficionados pueden introducir ruido de alta frecuencia que enmascara las verdaderas periodicidades. El procesamiento previo (por ejemplo, filtrado medio, suavizado) es a menudo necesario antes de aplicar el DFT. Además, los datos faltantes rompen la suposición de muestreo uniforme; la interpolación o los métodos de Fourier irregularmente espaciados (por ejemplo, Lomb-Scargle periodogram).
  • Interpretación de la fase: La fase de un componente cosine es sensible al punto de partida de la serie de tiempo. Dos señales periódicas idénticas cambiadas en el tiempo tendrán diferentes fases en la descomposición de Fourier, lo que puede complicar la coincidencia de patrones. Por eso muchas aplicaciones dependen de espectros de magnitud para la detección pero utilizan fase sólo para alineación.

A pesar de estos desafíos, los métodos basados en cosine siguen siendo la base del reconocimiento periódico de patrones. Combinarlos con técnicas complementarias como autocorrelación, aprendizaje automático o análisis de ondas a menudo produce los mejores resultados. Por ejemplo, se puede utilizar la descomposición Fourier como un paso de extracción de características antes de alimentar las amplitudes en un clasificatorio, o utilizar el FFT para computar rápidamente convoluciones para el descubrimiento de motivos.

Conclusión

Las funciones cosine son una herramienta fundamental en el análisis de series temporales para modelar e identificar patrones periódicos. Mediante la descomposición Fourier, análisis espectral y métodos relacionados, los analistas pueden extraer ciclos significativos de conjuntos de datos complejos, permitiendo una mejor previsión, reducción de ruido y detección de anomalías. Desde tendencias minoristas estacionales hasta monitoreo ECG, la capacidad de reconocer estructuras de repetición depende en gran medida de la elegancia matemática de la onda cosina.