Introdução à Série de Tempo e Padrões Periódicos

A análise de séries temporais examina os pontos de dados ordenados no tempo, com aplicações que abrangem finanças, ciência climática, fabricação e saúde. Um desafio central neste campo é identificar estruturas repetidas – ciclos ou estações – que podem melhorar a previsão e revelar processos subjacentes. funções do cosseno destacam-se devido à sua capacidade natural de representar comportamentos periódicos.

Os padrões periódicos aparecem em muitas séries temporais do mundo real: leituras diárias de temperatura seguem um ciclo de 24 horas, pico de vendas de varejo anualmente durante as férias, e sinais de eletrocardiograma (ECG) exibem batimentos cardíacos rítmicos. Modelar estes ciclos com precisão é essencial para tarefas como detecção de anomalias, decomposição de tendências e denoização de sinais. Análise de Fourier—o método primário para extrair componentes periódicos de uma série temporal. Além dos ciclos básicos, muitos sistemas naturais e projetados produzem padrões quase-periódicos onde a frequência e amplitude variam lentamente, tornando a decomposição baseada em cossenos ainda mais valiosa quando combinada com métodos adaptativos.

Por exemplo, uma rede elétrica deve prever padrões de consumo diário e semanal para equilibrar a oferta e a demanda. O ciclo diário é impulsionado pela atividade e temperatura humanas, enquanto o ciclo semanal reflete dias de trabalho versus fins de semana. Ambos os padrões são bem aproximados por somas de ondas cossenas e senos nos períodos fundamentais e seus harmônicos. Da mesma forma, cientistas do clima analisam registros de temperatura de longo prazo para isolar ciclos anuais de oscilações de vários anos como El Niño, que podem ser modelados como componentes cossenos modulados.

A função cossena: um bloco de construção para a periodicidade

Uma função cossena descreve uma onda suave e oscilante. A sua forma geral é:

y(t) = A · cos(2πft + ♦)

  • A (amplitude) determina o valor de pico da onda.
  • f (frequência) especifica o número de ciclos por unidade de tempo.
  • t é a variável de tempo.
  • ♦ (deslocamento de fase) compensa a onda horizontalmente, alinhando-a com o ponto de partida dos dados.

A frequência angular ω = 2πf é frequentemente usada para simplificar expressões. Ondas cossenas são periódicas com o período T = 1/f. Porque qualquer sinal senoidal pode ser representado como um cosseno com um deslocamento de fase, cosseno e seno são intercambiáveis através do sin de identidade(λ) = cos(γ – π/2). Esta flexibilidade significa que um único termo cosseno com amplitude e fase apropriadas pode representar qualquer tom puro, tornando-o o bloco de construção natural para análise de frequência.

No contexto da série temporal, podemos pensar numa onda cossena como um padrão de modelo: ela captura a essência de um movimento repetitivo de cima e para baixo. A amplitude nos diz o quão forte é o padrão, a frequência nos diz quantas vezes ele se repete, e a fase muda o padrão para se alinhar com os dados reais. Por exemplo, um ciclo de temperatura diário pode ter amplitude 10°C, frequência 1/24 por hora, e uma fase que coloca o pico às 2:00. Quando adicionamos várias ondas cossenas de diferentes frequências, amplitudes e fases, podemos reconstruir quase qualquer sinal periódico – esta é a ideia central por trás da série Fourier.

Por Coseno? A conexão com base sinusoidal

Na análise de séries temporais, as funções cossenas não são usadas isoladamente; elas são emparelhadas com funções seno para formar uma base ortogonal completa. A expansão da série Fourier afirma que qualquer sinal periódico pode ser expresso como uma soma ponderada de cossenos e senos. Componentes cossenos puros correspondem a oscilações simétricas pares, enquanto componentes seno capturam as simétricas ímpares. Juntos, eles podem reconstruir qualquer sinal real-valorizado com fase arbitrária.

Esta propriedade torna as funções cossenas indispensáveis para o reconhecimento de padrões. Quando uma série temporal contém um padrão periódico oculto, os termos cossenos na frequência correspondente terão uma grande amplitude na decomposição. Ao examinar estas amplitudes, os analistas podem identificar ciclos dominantes, estimar a sua força e até filtrar o ruído, descartando componentes de baixa amplitude. Além disso, a ortogonalidade das funções cosseno e seno assegura que cada componente de frequência seja independente, simplificando simultaneamente a extração de múltiplos ciclos.

Para um fundo matemático mais profundo, ver o Artigo da série Fourier na Wikipédia.

Do Cosseno ao Fourier: Sinais de decomposição

A técnica mais comum para alavancar funções de cosseno em séries temporais é a transformada de Fourier. Converte um sinal de domínio do tempo em sua representação de domínio de frequência, revelando quais frequências de cosseno (e seno) constituem os dados. A transformada de Fourier corresponde efetivamente ao sinal contra um conjunto de exponenciais complexos ej2πft, que combinam cosseno e seno através da fórmula de Euler: ej = cos ω + j sin ω. O resultado é um coeficiente complexo para cada frequência; sua magnitude indica a força desse componente de frequência, e seu argumento (fase) nos diz a mudança de fase da onda cossena.

A transformação de Fourier discreta (DFT) e rápida (FFT)

Para uma série temporal discreta x[0] x[1], ..., x[N–1] amostrados em intervalos regulares com o período de amostragem Δt, o DFT calcula coeficientes complexos X[k] para cada caixa de frequência k = 0, 1, ..., N-1:

X[k] = Łn=0N–1 x[n] · e–j2πkn/N

Cada coeficiente corresponde a uma frequência fk = = k / (N Δt). A parte real de X[k] relaciona-se com a contribuição cossena, a parte imaginária ao seno.X[kO algoritmo Fast Fourier Transform (FFT) calcula o DFT em O()N log NNa prática, os analistas frequentemente aplicam zeros (adicionando zeros ao final da série) para aumentar a resolução de frequência, embora isso não acrescente novas informações – apenas interpola o espectro.

É crucial respeitar a Frequência de Nyquist fNyquist = 1/(2Δt). As frequências acima deste limite são apelidas e indistinguíveis de frequências mais baixas. Por exemplo, se você amostrar um sensor de temperatura a cada hora, você não pode detectar ciclos menores que duas horas. Filtros anti- aliasing adequados e taxas de amostragem adequadas são essenciais antes de aplicar o DFT.

Interpretando o espectro de frequência

Traçando a magnitude .X[kOs picos no espectro correspondem a componentes periódicos fortes. Para o reconhecimento de padrões, os analistas identificam esses picos para inferir o período subjacente. Por exemplo, um pico em uma frequência correspondente a 24 horas em dados ambientais confirma um ciclo diurno. periodograma, que plota a magnitude quadrada (densidade espectral de potência), é frequentemente usado para quantificar a energia em cada frequência. Intervalos de confiança podem ser calculados para distinguir picos reais de ruído aleatório.

A resolução espectral é determinada pela duração do registo: Δf = 1/((N Δt Uma série temporal mais longa dá uma resolução de frequência mais fina, tornando mais fácil separar frequências espaçadas. Para séries curtas, vazamento espectral - a energia que se espalha de um pico verdadeiro em caixas adjacentes - pode obscurecer padrões. Janela com uma função de redução (por exemplo, Hann ou Blackman janela) reduz vazamentos, mas ligeiramente amplia picos. Estes trade-offs são fundamentais quando usando decomposição baseada em cosseno.

Os pormenores práticos da aplicação estão disponíveis no Documentação SciPy FFT.

Aplicações Práticas em Reconhecimento de Padrões

A análise de frequência baseada em cossenos é aplicada em muitos domínios para detectar, modelar e explorar padrões periódicos. A capacidade de isolar um único componente de frequência torna simples identificar e caracterizar estruturas repetidas.

Descomposição sazonal em economia e varejo

Indicadores econômicos como PIB, desemprego e vendas de varejo apresentam frequentemente padrões sazonais recorrentes. A decomposição de uma série em tendências, componentes sazonais e residuais pode ser realizada através da abordagem Fourier: a parte sazonal é modelada como uma soma de alguns componentes cossenos na frequência fundamental (por exemplo, 1 ano) e seus harmônicos. Para dados mensais, o período fundamental é de 12 meses, e a decomposição de Fourier captura o ciclo anual, enquanto os harmônicos de 6 meses, 4 meses e 3 meses modelam efeitos sazonais de frequência superior, como padrões trimestrais.

Uma cadeia de varejo, por exemplo, pode observar ciclos semanais e anuais no tráfego de pés. Usando decomposição cossena, a loja pode isolar o padrão semanal (período 7 dias) e o padrão anual (período 365 dias) para prever períodos de ocupado com maior precisão do que médias móveis simples. X-13 ARIMA-SAT o analista seleciona um conjunto de frequências sazonais fixas (por exemplo, 12, 6, 4, 3 meses para dados mensais) e estima suas amplitudes por regressão, sendo esta abordagem mais flexível do que as decomposiçãos médias-movimentações clássicas e manipula a sazonalidade em evolução quando combinada com coeficientes variáveis de tempo.

Por exemplo, o Documentação de decomposição STL mostra como usar o LOESS e extração sazonal, mas os métodos baseados em Fourier podem ser implementados manualmente usando o FFT para calcular o componente sazonal.

Filtragem de Sinais e Desnoise

Na engenharia, funções cossenas permitem filtragem de passa-banda. Ao eliminar determinadas caixas de frequência no domínio DFT e aplicar a transformada inversa, o ruído indesejado pode ser removido enquanto preserva sinais periódicos. Isto é crucial em aplicações como a análise do eletrocardiograma (ECG), onde o complexo QRS repete na frequência da frequência cardíaca (aproximadamente 1-2 Hz para adultos). Um filtro passa- banda baseado em cosseno isola essa banda, rejeitando o ruído muscular (frequências mais elevadas) e a interferência da linha de energia (50/60 Hz). O filtro é implementado multiplicando os coeficientes de domínio- frequência por uma janela retangular no domínio de frequência, aplicando então o FFT inverso.

No entanto, janelas retangulares causam artefatos de toque; uma transição mais suave usando janelas em forma de cosseno (como a janela de Tukey) reduz estes efeitos secundários.

Além dos sinais biomédicos, filtros baseados em cossenos são usados no processamento de áudio (remove hum), monitoramento estrutural da saúde (isolado modos de vibração), e análise de dados climáticos (extrair sinais sazonais de medições ruidosas). A simplicidade de trabalhar no domínio de frequência facilita o projeto de filtros personalizados, mas deve-se ter cuidado para evitar artefatos de domínio de frequência quando o comprimento do sinal é curto.

Detecção de Anomalias usando Residual Espectral

Anomalias em séries temporais muitas vezes aparecem como rupturas para padrões periódicos. método residual espectral (Salvador et al.) usam a transformada de Fourier para calcular o espectro de amplitude de log, subtrair uma versão suavizada e reconstruir o resíduo no domínio do tempo. Pontos com grandes valores residuais são marcados como anomalias. Esta abordagem detecta efetivamente outliers em dados de monitoramento de servidor, tráfego de rede e leituras de sensores industriais sem exigir dados de treinamento rotulados.

O algoritmo funciona da seguinte forma: (1) calcular o FFT da série temporal; (2) tomar a magnitude e o logaritmo para obter o espectro de log; (3) aplicar um filtro de suavização (por exemplo, média sobre uma janela deslizante) ao espectro de log para obter uma linha de base; (4) subtrair a linha de base para obter o resíduo espectral; (5) combinar o resíduo com a fase original usando o FFT inverso; (6) a série temporal residual destaca pontos onde o padrão de frequência se desvia da norma. As funções cosinas estão no coração de cada passo do FFT, e o método residual depende do pressuposto de que os componentes periódicos dominantes são comuns em toda a série, enquanto anomalias introduzem uma nova energia de frequência.

Um guia prático para este método está disponível no Documentação do kit de detecção de anomalias ADTK.

Análise de Freqüência de Tempo Avançada

A análise de Fourier padrão assume que as frequências subjacentes são estacionárias – isto é, os mesmos componentes periódicos persistem ao longo de toda a série temporal. Muitos sinais do mundo real, no entanto, exibem padrões de mudança ao longo do tempo. Por exemplo, a frequência de vibração de uma máquina pode derivar à medida que aquece, ou um sinal de ondas cerebrais pode mudar entre os ritmos alfa e beta. Abordar tal não-estacionalidade requer métodos de frequência de tempo que ainda dependem das funções cossenas como base central.

Transformação de Fourier de Curto Tempo (STFT)

A Transformação de Fourier de Curto Tempo aborda a não- estacionalidade dividindo a série em janelas sobrepostas e calculando o DFT em cada janela. O resultado é um espectrograma que mostra como o conteúdo de frequência evolui ao longo do tempo. As funções de Cosene ainda desempenham um papel central, mas a escolha da função de janela (por exemplo, Hamming, Hann) afecta a fuga espectral. Uma janela de Hann, que é essencialmente um cosseno elevado, liga o sinal nas bordas para reduzir os artefactos. Aqui, a função de cosseno é usada tanto para moldar a janela como para decompor o segmento janelado.

O trade-off no STFT está entre a resolução de tempo e a resolução de frequência: uma janela mais curta oferece melhor localização de tempo, mas uma resolução de frequência mais baixa, e vice- versa. O comprimento da janela deve ser escolhido com base na taxa de mudança esperada do padrão. Por exemplo, detectar o início de um terremoto em dados sísmicos requer janelas curtas (resolução de tempo elevado), enquanto o monitoramento da deriva lenta de um campo musical requer janelas mais longas (resolução de alta frequência). Métodos avançados como o Método de reatribuição pode afiar o espectrograma através da realocação de energia baseada em informações de fase, novamente utilizando propriedades derivadas de cosseno.

Análise de Wavelet e o Morlet Wavelet

Para dados altamente não estacionários, a análise wavelet oferece uma alternativa. As wavelets usam versões escalonadas e deslocadas de uma “wavelet mãe” (muitas vezes um cosseno modulado, como a wavelet Morlet) para capturar mudanças de frequência em várias resoluções. Wavelet Morlet é uma onda plana multiplicada por uma janela Gaussiana – essencialmente uma função cossena com um envelope localizado no tempo. Isto permite a localização simultânea de tempo e frequência, que é superior ao STFT para sinais com padrões transitórios.

A transformada contínua de wavelet (CWT) calcula a semelhança entre o sinal e a wavelet em várias escalas e posições. Ao ajustar a escala, a wavelet pode corresponder tanto às oscilações de alta frequência (curta duração) como de baixa frequência (duração longa). O núcleo de cosseno da wavelet Morlet garante que responde fortemente aos componentes periódicos, enquanto o envelope gaussiano o limita no tempo. Isto torna- o ideal para detectar mudanças nos padrões rítmicos, como a mudança entre os estágios de sono nos dados do EEG ou o início de um evento sísmico. Os coeficientes de wavelet podem ser visualizados num escalograma, que plota a escala de frequência em relação ao tempo, com a potência de indicação de cores.

Saiba mais sobre o wavelet Morlet na Documentação do MathWorks.

Semelhança cossena para correspondência de séries temporais

Além da decomposição de frequência, funções cossenas também aparecem em semelhança cossena, uma métrica utilizada para comparar segmentos de séries temporais. A similaridade cossena mede o cosseno do ângulo entre dois vetores:

similaridade = (A·B) / (Observação)

Na série temporal, duas janelas deslizantes podem ser representadas como vetores e comparadas. Uma alta similaridade cossena (próxima a 1) indica que as duas janelas têm uma orientação de padrão semelhante, independentemente da escala de magnitude. Isto é especialmente útil para identificar subsequências repetidas, como motivos recorrentes em dados de sensores ou formas de onda cardíaca semelhantes em sinais ECG.

Note que a semelhança cossena captura similaridade de forma em vez de amplitude. Duas ondas seno- senas com a mesma frequência, mas amplitudes diferentes, têm uma semelhança cosseno de 1 se estiverem em fase, mas perto de 0 se estiverem 90° fora de fase. Esta sensibilidade de fase deve ser considerada quando estiverem em correspondência com padrões. Na descoberta de motivos, é comum alinhar subsequências por correlação cruzada antes de calcular semelhança cosseno, ou usar a Correlação cruzada circular que pode ser calculado de forma eficiente através da base FFT e cosseno. Por exemplo, para encontrar o melhor alinhamento entre duas janelas, você pode calcular a correlação cruzada circular usando a transformada de Fourier; o pico da correlação cruzada dá o deslocamento que maximiza a semelhança cossena.

A similaridade cosine também é usada em séries temporais de agrupamento, onde a média de um cluster não é muitas vezes uma média simples, mas é calculada no domínio de frequência para preservar o alinhamento de fases. agrupamento espectral de séries temporais, onde a matriz de similaridade é construída usando distância cossena após projetar em um espaço de características baseado em Fourier.

Autocorrelação e Coseno: Outra Perspectiva

A função de autocorrelação (ACF) de uma série temporal mede quão fortemente a série é correlacionada com uma versão atrasada de si mesma. Para uma onda cossena pura com frequência f, o ACF é também uma onda cossena com a mesma frequência, mas não ampulado. Para dados reais, o ACF de um componente periódico irá mostrar picos em defasagens iguais a múltiplos do período. Esta relação decorre do teorema de Wiener- Khinchin, que afirma que a densidade espectral de potência (a magnitude quadrada da transformada de Fourier) é a transformada de Fourier da função de autocorrelação. Em outras palavras, a decomposição de frequência baseada em cosseno e a autocorrelação são representações duplas.

Na prática, os analistas usam frequentemente o ACF para identificar períodos candidatos antes de aplicar o FFT. Por exemplo, uma série de vendas de varejo pode mostrar autocorrelação significativa no lag 7 (semanal) e lag 365 (anoly). Estes defasagens correspondem às frequências 1/7 e 1/365. No entanto, o ACF não é tão sensível quanto o FFT para detectar múltiplos ciclos sobrepostos, porque ciclos fortes podem mascarar os mais fracos. Uma abordagem híbrida – computando o ACF para detectar períodos potenciais, em seguida, confirmando com o espectro Fourier – é robusta.

Além disso, a função de autocorrelação parcial (PACF) isola o efeito direto de uma defasagem, que pode ajudar a determinar o número de termos cossenos necessários em modelos autorregressivos. Por exemplo, um componente sazonal do modelo ARIMA é frequentemente especificado por uma defasagem sazonal de 12 para dados mensais, que podem ser derivados dos picos ACF. As funções cossenas aparecem implicitamente na equação característica do modelo.

Limitações e Considerações

Embora as funções cossenas sejam poderosas, elas não são uma solução universal. As principais limitações incluem:

  • Assunção de estandarte: A análise básica de Fourier assume que o padrão periódico permanece constante. Dados reais muitas vezes contêm tendências, amplitudes de mudança ou derivas de frequência, o que pode obscurecer picos espectrais. Métodos como a análise STFT ou wavelet oferecem soluções parciais, mas introduzem seus próprios trade-offs entre resolução de tempo e frequência.
  • Resolução vs. fugas: Séries temporais curtas ou frequências em rápida mudança requerem trocas entre a resolução de frequência e a resolução de tempo. O vazamento espectral de janelas finitas pode criar picos falsos. A janela cuidadosa (Hann, Hamming, Blackman-Harris) é essencial, mas nenhuma janela elimina completamente o vazamento.
  • Padrões não sinusoidais: Alguns fenômenos periódicos, como ondas quadradas ou sinais de dentes de serra, requerem que muitos componentes harmônicos do cosseno se aproximem. Nesses casos, a frequência fundamental pode não ser o pico dominante, dificultando a detecção. f tem picos espectrais em f, 3f, 5f, ... com amplitudes decrescentes. Os analistas devem estar cientes de que o verdadeiro período pode ser ambíguo apenas do espectro.
  • Ruído e ruídos: Os outliers podem introduzir ruído de alta frequência que mascara as verdadeiras periodicidades. O pré-processamento robusto (por exemplo, filtragem mediana, suavização) é frequentemente necessário antes de aplicar o DFT. Além disso, dados em falta quebram a suposição de amostragem uniforme; interpolação ou métodos de Fourier irregularmente espaçados (por exemplo, periodograma de Lomb-Scargle) deve ser usado.
  • Interpretação de fase: A fase de um componente cosseno é sensível ao ponto de partida da série temporal. Dois sinais periódicos idênticos deslocados no tempo terão fases diferentes na decomposição de Fourier, o que pode complicar a correspondência de padrões. É por isso que muitas aplicações dependem de espectros de magnitude para detecção, mas usam a fase apenas para alinhamento.

Apesar destes desafios, os métodos baseados em cossenos continuam a ser o alicerce do reconhecimento periódico de padrões. Combinando- os com técnicas complementares como autocorrelação, aprendizado de máquina ou análise de wavelets, muitas vezes, produz os melhores resultados. Por exemplo, pode- se usar a decomposição de Fourier como um passo de extração de características antes de alimentar as amplitudes em um classificador, ou usar o FFT para calcular rapidamente convoluções para a descoberta de motivos. A chave é entender os pressupostos e validar os achados com métodos alternativos.

Conclusão

As funções cosinas são uma ferramenta fundamental na análise de séries temporais para modelar e identificar padrões periódicos. Através da decomposição de Fourier, análise espectral e métodos relacionados, os analistas podem extrair ciclos significativos de conjuntos de dados complexos, permitindo uma melhor previsão, redução de ruído e detecção de anomalias. Da tendência sazonal de varejo ao monitoramento do ECG, a capacidade de reconhecer estruturas repetidas depende fortemente da elegância matemática da onda cossena. À medida que os volumes de dados crescem e os padrões se tornam mais sutis, uma compreensão sólida da análise baseada em cossenos permanece essencial para qualquer praticante no reconhecimento de padrões de séries temporais. Se você está aplicando um FFT simples para detectar um ciclo diário ou usando as transformadas de wavelet para capturar ritmos em evolução, a função cosseno fornece o framework central para transformar observações ordenadas em insights acionáveis.