Introduction aux séries chronologiques et aux modèles périodiques

L'analyse des séries chronologiques examine les points de données ordonnés dans le temps, avec des applications couvrant la finance, la science climatique, la fabrication et les soins de santé. Un défi central dans ce domaine est de déterminer les structures répétitives — cycles ou saisons — qui peuvent améliorer la prévision et révéler les processus sous-jacents. fonctions cosinusales se démarquent en raison de leur capacité naturelle à représenter un comportement périodique.

Les modèles périodiques apparaissent dans de nombreuses séries chronologiques du monde réel : les relevés quotidiens de température suivent un cycle de 24 heures, les ventes au détail augmentent chaque année pendant les vacances, et les signaux d'électrocardiogramme (ECG) présentent des battements de cœur rythmiques. Analyse de Fourier—la méthode principale d'extraction des composants périodiques d'une série chronologique. Au-delà des cycles de base, de nombreux systèmes naturels et de génie produisent des modèles quasi-périodiques où la fréquence et l'amplitude varient lentement, rendant la décomposition à base de cosine encore plus précieuse lorsqu'elle est combinée avec des méthodes d'adaptation.

Par exemple, un réseau électrique doit prévoir les modes de consommation quotidiens et hebdomadaires pour équilibrer l'offre et la demande. Le cycle quotidien est alimenté par l'activité et la température humaines, tandis que le cycle hebdomadaire reflète les journées de travail par rapport aux week-ends. Les deux modes sont bien approchés par les sommes des ondes de cosinus et de sinus aux périodes fondamentales et leurs harmoniques.

La fonction Cosine : un bloc de construction pour la périodicité

Une fonction cosine décrit une vague lisse et oscillante. Sa forme générale est:

y(t) = A · cos(2πft + φ)

  • A (amplitude) détermine la valeur de pointe de l'onde.
  • f (fréquence) spécifie le nombre de cycles par unité de temps.
  • t est la variable temporelle.
  • ι (déplacement de phase) compense horizontalement l'onde, l'aligne avec le point de départ des données.

La fréquence angulaire Φ = 2πf est souvent utilisée pour simplifier les expressions. Les ondes cosinusiennes sont périodiques avec la période T = 1/f. Comme tout signal sinusoïdal peut être représenté comme une cosine avec un décalage de phase, la cosine et le sinus sont interchangeables à travers l'identité sin(γ) = cos(γ – π/2). Cette flexibilité signifie qu'un seul terme cosinus avec une amplitude et une phase appropriées peut représenter n'importe quelle tonalité pure, ce qui en fait le bloc de construction naturel pour l'analyse de fréquence.

Dans le contexte des séries chronologiques, on peut penser à une onde de cosinus comme un modèle : elle capture l'essence d'un mouvement répétitif vers le haut et le bas. L'amplitude nous indique à quel point le modèle est fort, la fréquence nous indique à quelle fréquence elle se répète, et la phase déplace le modèle pour s'aligner sur les données réelles. Par exemple, un cycle de température quotidien peut avoir une amplitude 10°C, une fréquence 1/24 par heure, et une phase qui place le pic à 2h00. Lorsque nous ajoutons plusieurs ondes de cosinus de fréquences, d'amplitudes et de phases différentes, nous pouvons reconstruire presque n'importe quel signal périodique – c'est l'idée centrale derrière la série de Fourier.

Pourquoi la cosine? La connexion à la base sinusoïdale

Dans l'analyse des séries chronologiques, les fonctions de cosinus ne sont pas utilisées isolément; elles sont jumelées avec des fonctions sinus pour former une base orthogonale complète. L'expansion de la série Fourier indique que tout signal périodique peut être exprimé comme une somme pondérée de cosines et de sines.

Cette propriété rend les fonctions cosinus indispensables à la reconnaissance des motifs. Lorsqu'une série chronologique contient un motif périodique caché, les termes cosinus à la fréquence correspondante auront une grande amplitude dans la décomposition. En examinant ces amplitudes, les analystes peuvent identifier les cycles dominants, estimer leur force et même filtrer le bruit en rejetant les composants à faible amplitude. De plus, l'orthogonalité des fonctions cosinus et sinus assure que chaque composant de fréquence est indépendant, simplifiant l'extraction de plusieurs cycles simultanément.

Pour un contexte mathématique plus profond, voir le Article de la série Fourier sur Wikipedia- Oui.

De Cosine à Fourier : Décomposition des signaux

La technique la plus courante pour exploiter les fonctions cosinus en série temporelle est la transformation de Fourier. Elle convertit un signal de domaine temporel en sa représentation de domaine de fréquence, révélant quelles fréquences cosinus (et sinus) constituent les données. La transformation de Fourier correspond efficacement au signal à un ensemble d'exponentielles complexes.J2 πft, qui combinent la cosine et la sinusite à travers la formule d'Euler:J'ai été = cos γ + j sin γ. Le résultat est un coefficient complexe pour chaque fréquence; sa magnitude indique la force de cette composante de fréquence, et son argument (phase) nous indique le déplacement de phase de l'onde de cosine.

La transformation discrète de Fourier (DFT) et la transformation rapide de Fourier (FFT)

Pour une série chronologique discrète x[0], x[...] x[N–1) échantillonné à intervalles réguliers avec la période de prélèvement Δt, le calcul des coefficients complexes DFT X[k] pour chaque boîte de fréquence k = 0, 1, ..., N–1:

X[k] = -n=0N–1 x[n[] e—j2 πkn/N

Chaque coefficient correspond à une fréquence fk = k / (N Δt). La partie réelle de X[k] se rapporte à la contribution du cosinus, à la partie imaginaire du sinus.X[k] .L'algorithme de la transformation rapide de Fourier (FFT) calcule le DFT en O(N journal N Dans la pratique, les analystes appliquent souvent le zéro-padding (ajout de zéros à la fin de la série) pour augmenter la résolution de fréquence, bien que cela n'ajoute pas de nouvelles informations, il se contente d'interpoler le spectre.

Il est essentiel de respecter les Fréquence de Nyquise fNyquist Les fréquences supérieures à cette limite sont aliasées et indistinguables des fréquences inférieures. Par exemple, si vous échantillonnez un capteur de température toutes les heures, vous ne pouvez pas détecter les cycles plus courts que deux heures. Des filtres anti-aliasants appropriés et des taux d'échantillonnage appropriés sont essentiels avant d'appliquer le DFT.

Interprétation du spectre de fréquences

Tracer la magnitudeX[kLes pics du spectre correspondent à des composantes périodiques fortes. Pour la reconnaissance des patrons, les analystes identifient ces pics pour déduire la période sous-jacente. Par exemple, un pic à une fréquence correspondant à 24 heures dans les données environnementales confirme un cycle diurne. parodogramme, qui trace la magnitude carrée (densité spectrale de puissance), est souvent utilisé pour quantifier l'énergie à chaque fréquence.

La résolution spectrale est déterminée par la durée de l'enregistrement: Δf = 1/(N ΔtPour les séries courtes, la fuite spectrale – l'énergie se propageant d'un véritable pic vers des bacs adjacents – peut être obscure. La fenêtre avec une fonction de câblage (par exemple, Hann ou Blackman) réduit les fuites mais élargit légèrement les pics. Ces compromis sont fondamentaux lorsque l'on utilise la décomposition à base de cosinus.

Des détails pratiques sur la mise en œuvre sont disponibles dans le site Web de la Commission. Documents relatifs aux TFT de SciPy- Oui.

Applications pratiques en reconnaissance de motifs

L'analyse de fréquence basée sur la cosine est appliquée dans de nombreux domaines pour détecter, modéliser et exploiter des modèles périodiques. La capacité d'isoler un seul composant de fréquence rend simple l'identification et la caractérisation des structures répétitives.

Décomposition saisonnière en économie et en commerce de détail

Les indicateurs économiques comme le PIB, le chômage et les ventes au détail présentent souvent des tendances saisonnières récurrentes. La décomposition d'une série en composantes tendancielles, saisonnières et résiduelles peut être effectuée par l'approche Fourier : la partie saisonnière est modélisée comme une somme de quelques composantes cosines à la fréquence fondamentale (p. ex., 1 an) et ses harmoniques.

Une chaîne de vente au détail, par exemple, pourrait observer des cycles hebdomadaires et annuels dans le trafic de pieds. En utilisant la décomposition de la cosine, le magasin peut isoler le schéma hebdomadaire (période 7 jours) et le schéma annuel (période 365 jours) pour prévoir des périodes occupées avec plus de précision que les moyennes mobiles simples. SATES X-13ARIMA L'analyste choisit un ensemble de fréquences saisonnières fixes (p. ex., 12, 6, 4, 3 mois pour les données mensuelles) et évalue leurs amplitudes par régression. Cette approche est plus souple que la décomposition classique moyenne mobile et gère l'évolution de la saisonnalité lorsqu'elle est combinée à des coefficients de variation du temps.

Pour un exemple pratique, le Statsmodels STL documentation de décomposition montre comment utiliser le SRSEE et l'extraction saisonnière, mais les méthodes basées sur Fourier peuvent être mises en œuvre manuellement en utilisant le FFT pour calculer la composante saisonnière.

Filtrage et dénissage des signaux

En ingénierie, les fonctions cosinus permettent filtrage du passe-bande. En mettant à zéro certaines boîtes de fréquence dans le domaine DFT et en appliquant la transformation inverse, le bruit indésirable peut être éliminé tout en préservant les signaux périodiques. Ceci est crucial dans des applications telles que l'analyse par électrocardiogramme (ECG), où le complexe QRS se répète à la fréquence de fréquence cardiaque (environ 1–2 Hz pour les adultes). Un filtre à passe-bande à base de cosinus isole cette bande, rejetant le bruit musculaire (fréquences plus élevées) et l'interférence de la ligne de puissance (50/60 Hz). Le filtre est mis en œuvre en multipliant les coefficients de fréquence-domaine par une fenêtre rectangulaire dans le domaine de fréquence, puis en appliquant le FFT inverse.

Au-delà des signaux biomédicaux, les filtres à base de cosinus sont utilisés dans le traitement audio (supprimer le hum), la surveillance de la santé structurelle (modes de vibration isolique) et l'analyse des données climatiques (extirper les signaux saisonniers des mesures bruyantes).La simplicité de travail dans le domaine de la fréquence facilite la conception de filtres personnalisés, mais il faut prendre soin d'éviter les artefacts de la fréquence-domaine lorsque la longueur du signal est courte.

Détection d'anomalies utilisant le résidu spectral

Les anomalies dans les séries chronologiques apparaissent souvent comme des perturbations des modèles périodiques. méthode résiduelle spectrale (Salvador et al.) utilise la transformation de Fourier pour calculer le spectre d'amplitude log, soustraire une version lissée et reconstruire le résidu dans le domaine temporel. Les points avec de grandes valeurs résiduelles sont marqués comme des anomalies. Cette approche détecte efficacement les valeurs aberrantes dans les données de surveillance des serveurs, le trafic réseau et les lectures de capteurs industriels sans exiger de données d'entraînement marquées.

L'algorithme fonctionne comme suit : (1) calculer le FFT de la série chronologique; (2) prendre l'ampleur et le logarithme pour obtenir le spectre logarithmique; (3) appliquer un filtre lissant (p. ex., la moyenne sur une fenêtre coulissante) au spectre logarithmique pour obtenir une base de référence; (4) soustraire la base de référence pour obtenir le résidu spectral; (5) combiner le résidu avec la phase originale à l'aide du FFT inverse; (6) la série chronologique résiduelle souligne des points où le modèle de fréquence s'écarte de la norme. Les fonctions de la cosine sont au cœur de chaque étape de la FFT, et la méthode résiduelle repose sur l'hypothèse que les composants périodiques dominants sont communs à l'ensemble de la série, tandis que les anomalies introduisent de nouvelles énergies de fréquence.

Un guide pratique de cette méthode est disponible dans le Documentation sur la trousse de détection des anomalies ADTK- Oui.

Analyse avancée de la fréquence temporelle

L'analyse standard de Fourier suppose que les fréquences sous-jacentes sont stationnaires, c'est-à-dire que les mêmes composants périodiques persistent dans toute la série chronologique. Cependant, de nombreux signaux du monde réel présentent des changements dans le temps. Par exemple, une fréquence de vibration d'une machine peut dériver à mesure qu'elle se réchauffe, ou un signal d'onde cérébrale peut changer entre les rythmes alpha et bêta.

Transformateur de Fourier à court terme (STFT)

La transformation de Fourier à Court Temps s'adresse à la non-stationnalité en divisant la série en fenêtres recoupantes et en calculant la DFT sur chaque fenêtre. Le résultat est un spectrogramme montrant comment le contenu de fréquence évolue au fil du temps. Les fonctions de Cosine jouent toujours un rôle central, mais le choix de la fonction de fenêtre (par exemple Hamming, Hann) affecte les fuites spectrales.

La distance de la fenêtre doit être choisie en fonction du taux de changement prévu du modèle. Par exemple, la détection d'un tremblement de terre dans les données sismiques nécessite des fenêtres courtes (haute résolution du temps), tandis que la surveillance de la dérive lente d'un pas musical nécessite des fenêtres plus longues (haute résolution de fréquence). Méthode de réaffectation peut aiguiser le spectrogramme en réalignant l'énergie sur la base de l'information de phase, en utilisant à nouveau des propriétés dérivées de la cosine.

Analyse des vagues et l'ondelette de Morlet

Pour les données hautement non stationnaires, l'analyse des vagues offre une alternative. Les vagues utilisent des versions à échelle réduite et décalées d'un -mère wavelet - (souvent une cosine modulée, comme l'ondelet de Morlet) pour capturer les changements de fréquence à plusieurs résolutions. Morlet à onde est une onde plane multipliée par une fenêtre gaussienne, essentiellement une fonction cosine avec une enveloppe localisée dans le temps. Cela permet une localisation simultanée du temps et de la fréquence, qui est supérieure à STFT pour les signaux avec des motifs transitoires.

En ajustant l'échelle, l'ondelette peut correspondre à la fois aux oscillations de haute fréquence (de courte durée) et de basse fréquence (de longue durée). Le noyau cosiné Morlet permet de réagir fortement aux composants périodiques, tandis que l'enveloppe gaussienne le limite dans le temps. Cela le rend idéal pour détecter les changements dans les motifs rythmiques, comme le déplacement entre les stades de sommeil dans les données EEG ou le début d'un événement sismique. Les coefficients d'ondelette peuvent être visualisés dans un scalogramme, qui trace l'échelle de fréquence par rapport au temps, avec la puissance d'indication de couleur.

En savoir plus sur l'ondelet Morlet dans la Documentation MathWorks- Oui.

Similarité Cosine pour le couplage de séries chronologiques

Au-delà de la décomposition de fréquence, les fonctions cosinusales apparaissent également dans similitude entre les deux, une métrique utilisée pour comparer les segments de séries chronologiques. La similitude des cosinus mesure le cosinus de l'angle entre deux vecteurs:

Similarité = (A.B) / (A.B.)

Dans les séries chronologiques, deux fenêtres coulissantes peuvent être représentées comme vecteurs et comparées. Une forte similitude cosine (près de 1) indique que les deux fenêtres ont une orientation de motif similaire, indépendamment de l'échelle de magnitude. Ceci est particulièrement utile pour identifier des subséquences répétées, comme des motifs récurrents dans les données des capteurs ou des formes d'onde de battement cardiaque similaires dans les signaux ECG.

Deux ondes sinusoïdales avec la même fréquence mais différentes amplitudes ont une similitude cosinusienne de 1 si elles sont en phase, mais près de 0 si elles sont 90° hors phase. Cette sensibilité de phase doit être prise en compte lors de l'appariement des motifs. Corrélation circulaire par exemple, pour trouver le meilleur alignement entre deux fenêtres, vous pouvez calculer leur corrélation croisée circulaire en utilisant la transformation de Fourier; le pic de la corrélation croisée donne le déplacement qui maximise la similitude de la cosine.

La similitude des cosinus est également utilisée dans les séries chronologiques de regroupements, où la moyenne d'un cluster n'est souvent pas une simple moyenne, mais est calculée dans le domaine de fréquence pour préserver l'alignement de phase. regroupement spectral de séries chronologiques, où la matrice de similitude est construite en utilisant la distance cosinus après projection dans un espace de fonction basé sur Fourier.

Autocorrélation et Cosine : une autre perspective

La fonction d'autocorrélation (ACF) d'une série chronologique mesure la corrélation entre la série et une version retardée de soi-même. f, l'ACF est aussi une onde de cosine avec la même fréquence, mais non amputé. Pour les données réelles, l'ACF d'une composante périodique montrera des pics à des lags égaux à plusieurs de la période. Cette relation provient du théorème Wiener-Khinchin, qui indique que la densité spectrale de puissance (la magnitude carrée de la transformation de Fourier) est la transformation de Fourier de la fonction d'autocorrélation.

Dans la pratique, les analystes utilisent souvent le CCF pour identifier les périodes candidates avant d'appliquer le CCF. Par exemple, une série de ventes au détail peut montrer une autocorrélation significative au décalage 7 (hebdomadaire) et au décalage 365 (annuel). Ces décalages correspondent aux fréquences 1/7 et 1/365. Toutefois, le CCF n'est pas aussi sensible que le CCF pour détecter de multiples cycles superposés, car des cycles forts peuvent masquer des cycles plus faibles.

De plus, la fonction d'autocorrélation partielle (PACF) isole l'effet direct d'un décalage, ce qui peut aider à déterminer le nombre de termes de cosine nécessaires dans les modèles autorégressifs. Par exemple, un composant saisonnier du modèle ARIMA est souvent spécifié par un décalage saisonnier de 12 pour les données mensuelles, qui peut être dérivé des pics ACF.

Limites et considérations

Bien que les fonctions cosinus soient puissantes, elles ne sont pas une solution universelle.

  • Hypothèse de la stationnalité: L'analyse de base de Fourier suppose que le modèle périodique reste constant. Les données réelles contiennent souvent des tendances, des amplitudes changeantes ou des dérives de fréquence, qui peuvent masquer les pics spectraux.
  • Résolution contre fuite: Les fuites spectrales des fenêtres finies peuvent créer de faux pics. La fenêtre attentive (Hann, Hamming, Blackman-Harris) est essentielle, mais aucune fenêtre n'élimine complètement les fuites.
  • Patterns non sinusoïdaux: Certains phénomènes périodiques, comme les ondes carrées ou les signaux de la couche de scie, exigent de nombreux composants de cosine harmonique à approximation. Dans de tels cas, la fréquence fondamentale peut ne pas être le pic dominant, compliquant la détection. f a des pics spectraux à f, 3f, 5f, ... avec des amplitudes décroissantes. Les analystes doivent être conscients que la période réelle peut être ambigu à partir du spectre seul.
  • Bruit et aberrations: Des valeurs aberrantes peuvent introduire un bruit à haute fréquence qui masque les vraies périodicités. Un prétraitement robuste (par exemple, filtrage médian, lissage) est souvent nécessaire avant d'appliquer le DFT. De plus, les données manquantes brisent l'hypothèse d'échantillonnage uniforme; il faut utiliser des méthodes d'interpolation ou de Fourier irrégulièrement espacées (par exemple, parodogramme Lomb-Scargle).
  • Interprétation de la phase : La phase d'un composant de cosinus est sensible au point de départ de la série chronologique. Deux signaux périodiques identiques déplacés dans le temps auront différentes phases dans la décomposition de Fourier, ce qui peut compliquer l'appariement des motifs. C'est pourquoi de nombreuses applications reposent sur des spectres de magnitude pour la détection mais utilisent la phase uniquement pour l'alignement.

Malgré ces défis, les méthodes basées sur la cosine restent le fondement de la reconnaissance périodique des motifs. Combiner ces méthodes avec des techniques complémentaires comme l'autocorrélation, l'apprentissage automatique ou l'analyse par ondette donne souvent les meilleurs résultats. Par exemple, on peut utiliser la décomposition de Fourier comme une étape d'extraction de caractéristiques avant de nourrir les amplitudes en classificateur, ou utiliser le FFT pour calculer rapidement les convolutions pour la découverte du motif.

Conclusion

Les fonctions cosinusales sont un outil fondamental dans l'analyse des séries chronologiques pour la modélisation et l'identification des modèles périodiques. Grâce à la décomposition de Fourier, à l'analyse spectrale et aux méthodes connexes, les analystes peuvent extraire des cycles significatifs de données complexes, permettant d'améliorer la prévision, la réduction du bruit et la détection des anomalies. De la tendance saisonnière de la vente au détail à la surveillance ECG, la capacité de reconnaître les structures répétées repose fortement sur l'élégance mathématique de l'onde cosinusale.