.SingularSpectrumAnalysis

class pyts.decomposition.SingularSpectrumAnalysis(window_size=4, groups=None, lower_frequency_bound=0.075, lower_frequency_contribution=0.85, chunksize=None, n_jobs=1)

奇异谱分析。

Parameters:

window_size : int or float (default = 4)

滑动窗口的大小（即每个词的长度）。如果是浮点数，则表示每个时间序列长度的百分比，必须在0到1之间。窗口大小将计算为max(2, ceil(window_size * n_timestamps))。

groups : None, int, ‘auto’, or array-like (default = None)

基本矩阵的分组方式。如果为None，则不进行分组。如果是一个整数，它表示组的数量，组的边界计算为np.linspace(0, window_size, groups + 1).astype('int64')。如果为'auto'，则确定三个组，分别包含趋势、季节性和残差。如果是类数组，每个元素必须是类数组并包含每个组的索引。

lower_frequency_bound : float (default = 0.075)

用于表征趋势、季节性和残差分量的周期图边界。该值必须在0到0.5之间。当groups未设置为'auto'时此参数将被忽略。

lower_frequency_contribution : float (default = 0.85)

通过考虑周期图来表征趋势、季节性和残差分量的相对阈值。该值必须在0到1之间。如果groups未设置为'auto'，则忽略此参数。

chunksize : int or None (default = None)

如果为整数，则使用分块（批次）对整个数据集执行转换，chunksize对应每个分块（批次）的最大大小。如果为None，则一次性对整个数据集执行转换。使用分块执行转换可能会稍慢一些，但需要更少的内存。

n_jobs : None or int (default = None)

用于计算的作业数量。仅在chunksize设置为整数时使用。

参考文献

[1]	N. Golyandina 和 A. Zhigljavsky，《时间序列的奇异谱分析》。Springer-Verlag Berlin Heidelberg (2013)。

[2]	T. Alexandrov, "使用奇异谱分析进行趋势提取的方法", REVSTAT (2008).

示例

>>> from pyts.datasets import load_gunpoint
>>> from pyts.decomposition import SingularSpectrumAnalysis
>>> X, _, _, _ = load_gunpoint(return_X_y=True)
>>> transformer = SingularSpectrumAnalysis(window_size=5)
>>> X_new = transformer.transform(X)
>>> X_new.shape
(50, 5, 150)

方法

__init__([window_size, groups, …])	Initialize self.
fit([X, y])	Pass.
fit_transform(X[, y])	Fit to data, then transform it.
get_params([deep])	Get parameters for this estimator.
set_params(**params)	Set the parameters of this estimator.
transform(X)	Transform the provided data.

__init__(window_size=4, groups=None, lower_frequency_bound=0.075, lower_frequency_contribution=0.85, chunksize=None, n_jobs=1)

初始化自身。查看 help(type(self)) 获取准确的签名信息。

fit(X=None, y=None)

通过。

参数:

X

忽略

y

忽略

返回值:

self : object

fit_transform(X, y=None, **fit_params)

拟合数据，然后进行转换。

使用可选参数fit_params将转换器适配到X和y，并返回转换后的X版本。

参数:

X : array-like, shape = (n_samples, n_timestamps)

单变量时间序列。

y : None or array-like, shape = (n_samples,) (default = None)

目标值(无监督转换时为None)。

**fit_params : dict

额外的拟合参数。

返回值:

X_new : array

转换后的数组。

get_params(deep=True)

获取此估计器的参数。

参数：

deep : bool, default=True

如果为True，将返回此估计器及其包含的子估计器的参数。

返回值:

params : dict

参数名称映射到对应的值。

set_params(**params)

设置此估计器的参数。

该方法不仅适用于简单的估计器，也适用于嵌套对象（如Pipeline）。后者采用<component>__<parameter>形式的参数，从而可以更新嵌套对象的每个组件。

参数:

**params : dict

估计器参数。

返回值:

self : 估计器实例

估计器实例。

transform(X)

转换提供的数据。

参数:

X : 类数组, 形状 = (n_samples, n_timestamps)

Returns:

X_new : array-like, shape = (n_samples, n_splits, n_timestamps)

转换后的数据。n_splits的值取决于groups的值。如果groups=None，则n_splits等于window_size。如果groups是整数，则n_splits等于groups。如果groups='auto'，则n_splits等于3。如果groups是类数组对象，则n_splits等于groups的长度。如果n_splits=1，则X_new会被压缩，其形状为(n_samples, n_timestamps)。

使用pyts.decomposition.SingularSpectrumAnalysis的示例

奇异谱分析

奇异谱分析

基于奇异谱分析的趋势-季节性分解

基于奇异谱分析的趋势-季节性分解