Анализ спектральных свойств многомерных временных рядов важен во многих науках, от медицины сна до климатологии. Существующие методы либо предполагают плавное изменение спектра во времени, либо требуют одинаковых точек разрыва для всех компонент, что ограничивает точность. Данная работа заполняет пробел, позволяя разным компонентам спектральной матрицы эволюционировать по-своему и улавливать как резкие, так и плавные изменения.
Временной ряд аппроксимируется кусочно-стационарным процессом со случайным числом сегментов и точками разбиения. Для каждого сегмента локальный спектр моделируется через модифицированное разложение Холецкого, где компоненты раскладываются по периодическим чётным и нечётным сплайновым базисам. Байесовская схема использует обратимые скачки MCMC для изменения числа сегментов и гамильтонов MCMC для обновления параметров внутри модели. Усреднение по апостериорному распределению разбиений позволяет приближать и резкие, и медленные изменения.
В симуляциях с кусочно-стационарным трёхмерным процессом предложенный метод показал меньшую среднюю квадратичную ошибку по сравнению с кусочно-векторной авторегрессией и сглаживающими сплайнами ANOVA. Для медленно меняющегося двумерного процесса метод превзошёл кусочно-векторную авторегрессию и был сопоставим со сплайнами ANOVA. При оценке числа сегментов в сложном случае метод чаще выбирал правильное число (апостериорная вероятность 0.794) и был вычислительно быстрее, чем SSAMC. На реальных данных ЭЭГ метод обнаружил резкий переход между фазами сна с вероятностью 0.94 вблизи визуально определённой границы. Для данных Эль-Ниньо метод выявил возможное изменение спектра в 1980-х годах с апостериорной вероятностью 0.652 для двух сегментов.
Работа расширяет возможности анализа многомерных нестационарных сигналов, позволяя компонентам спектра меняться независимо и улавливать как резкие, так и плавные изменения. Это отличает метод от соседних подходов, которые либо фиксируют общие точки разрыва, либо требуют плавности. Практическая значимость подтверждена на медицинских и климатических данных, что открывает путь к более точной диагностике и мониторингу.
Метод может быть расширен на многомерные ряды высокой размерности через включение частотных главных компонент, а также на реплицированные временные ряды для анализа связи с клиническими исходами. Возможна адаптация к быстро, но плавно меняющимся спектрам и использование других базисов для специфических задач.
Метод повлияет на анализ ЭЭГ в медицине сна, климатологию (Эль-Ниньо), нейронауку и другие области, где важна динамика спектральных связей.
Разработка версии для высокой размерности и реплицированных данных, а также улучшение обработки быстрых плавных изменений.
В статистике остаётся открытой проблема эффективного анализа многомерных нестационарных временных рядов с разнородной динамикой компонент. Данный метод вносит вклад в решение, но вопросы масштабируемости и интерпретации остаются.
В анализе ЭЭГ метод автоматически определил переход от медленного сна к быстрому с точностью до четверти секунды, что сравнимо с работой опытного врача.
Идея адаптивного разбиения сигнала на сегменты с разной динамикой напоминает анализ мозговых волн в фильме «Начало», где герои отслеживают изменения состояний сознания по паттернам активности.