SSA (Singular Spectrum Analysis) と周期的構造への分解
話すこと
SSA (Singular Spectrum Analysis) を使うと周期関数であり実数値を取る入力信号を複数の周期的信号に分解できます。
本記事では SSA の入出力、求め方、周期的なものに分解できる理由を述べます。
NumPy を使った SSA の実装と具体例を最後にまとめます。
話さないこと
- 入力が周期関数ではない時の SSA
- 特異値分解 (SVD)
実施例
SSA (Wikipedia) の画像のような信号を作り SSA を実行した結果です。周期的な信号で分解されていることが分かります。

SSA の処理方法
データ作成: Hankel Matrix
各要素は右隣あるいは下に行くとインデックスが 1 つ増えます。このような行列を Hankel Matrix と呼びます。SSA ではこの行列を使います。
特異値分解による SSA
入力データを Hankel Matrix 化した行列
行列
行列
低ランク近似による X の近似
特異値を大きい順から
残差
周期的な信号で分解される理由
周期関数であるデータ列
前提として
時間埋め込みが周期性を作る
簡単のため
Hankel Matrix にした時系列の情報が埋め込まれたベクトルを考えます。これを
特異値分解の結果を考えると、
NumPy 実装
SSA クラスを定義し、Hankel Matrix 化と特異値分解による SSA 処理と特異値ごとの信号の再構成処理を行います。
全体像
以下のように SSA クラスを定義します。
class SSA:
def __init__(self, window_length: int) -> None:
# 窓幅 L
self.window_length = int(window_length)
# SSA (SVD) の結果
self.u: NDArray[np.floating] | None = None
self.s: NDArray[np.floating] | None = None
self.vt: NDArray[np.floating] | None = None
# SSA に使う Hankel Matrix
self._hankel_matrix: NDArray[np.floating] | None = None
def _hankel(
self, series: NDArray[np.floating], window_length: int) -> NDArray[np.floating]:
"""Hankel Matrix 作成
Args:
series (NDArray[np.floating]): 入力1次元データ
window_length (int): 窓幅 L
Returns:
NDArray[np.floating]: Hankel matrix with shape (window_length, column_count).
"""
series_length = len(series)
column_count = series_length - window_length + 1
if window_length <= 0 or column_count <= 0:
raise ValueError("window_length must satisfy 1 <= window_length <= len(series)")
return np.column_stack([series[i:i + window_length] for i in range(column_count)])
def _diagonal_averaging(self, matrix: NDArray[np.floating]) -> NDArray[np.floating]:
"""Hankel Matrix から 1次元信号に復元する
Args:
matrix: Hankel Matrix
Returns:
NDArray[np.floating]: 復元された 1次元信号
"""
row_count, column_count = matrix.shape
series_length = row_count + column_count - 1
diagonal_indices = np.add.outer(
np.arange(row_count, dtype=int),
np.arange(column_count, dtype=int),
).ravel()
flattened = matrix.ravel()
values = np.bincount(diagonal_indices, weights=flattened, minlength=series_length)
weights = np.bincount(diagonal_indices, minlength=series_length)
return values / weights
def fit(self, series: NDArray[np.floating]) -> "SSA":
"""SSA 処理実行
Args:
series (NDArray[np.floating]): Input 1D series.
Returns:
Fitted SSA instance.
"""
self._hankel_matrix = self._hankel(series, self.window_length)
self.u, self.s, self.vt = np.linalg.svd(self._hankel_matrix, full_matrices=False)
return self
def reconstruct(self, indices: int|Sequence[int]|NDArray[np.integer]) -> NDArray[np.floating]:
"""特異値のインデックスを指定し信号を復元する
Args:
indices: 特異値のインデックス (特異値が大きい順に並ぶ)
Returns:
NDArray[np.floating]: 復元された信号
"""
if self.u is None or self.s is None or self.vt is None:
raise ValueError("Call fit(x) before reconstruct().")
if isinstance(indices, int):
indices = [indices]
# 特異値のインデックスから U.S.VT を計算する
component_indices = np.asarray(indices, dtype=int)
reconstructed_matrix = (
self.u[:, component_indices] * self.s[component_indices]
) @ self.vt[component_indices]
return self._diagonal_averaging(reconstructed_matrix)
def get_svd(self) -> tuple[NDArray[np.floating], NDArray[np.floating], NDArray[np.floating]]:
"""SVD の結果を取得する
Returns:
tuple[NDArray[np.floating], ...]: Tuple of (U, S, VT) from the SVD.
"""
if self.u is None or self.s is None or self.vt is None:
raise ValueError("Call fit(x) before get_svd().")
return self.u, self.s, self.vt
def calculate_cumulative_contribution(self) -> NDArray[np.floating]:
"""寄与度の累積分布を求める
Returns:
NDArray[np.floating]: 累積寄与度
"""
if self.s is None:
raise ValueError("Call fit(x) before calculate_cumulative_contribution().")
# 寄与度 (特異値の 2乗) の累積分布を求める
singular_values_squared = self.s**2
total_variance = np.sum(singular_values_squared)
cumulative_contribution = np.cumsum(singular_values_squared) / total_variance
return cumulative_contribution
各処理について
Hankel Matrix 関係
Hankel Matrix は前述の通り、次式の形になります。入力データと行数
SSA では特異値分解されたものから信号を再構成します。結果は
例として以下の小さい Hankel Matrix を用意します。これは入力データから作られたものです。
再構成された行列
SSA 処理
fit() 関数で SSA を実行します。以下のように入力データを Hankel Matrix にし特異値分解を行います。行列
class SSA:
def fit(self, series: NDArray[np.floating]) -> "SSA":
self._hankel_matrix = self._hankel(series, self.window_length)
self.u, self.s, self.vt = np.linalg.svd(self._hankel_matrix, full_matrices=False)
return self
特異値から寄与度を計算
全
calculate_cumulative_contribution() で実装されます。例えば累積分布が 0.99 を超えるところまでを低ランク近似に採用する、などの利用があります。
具体例
入力データ
3種の周期的な信号とノイズを加えたものを例にします。トレンドとしてゆっくりと変化するもの、振幅が変化する 2つの周期的な信号を作ります。サンプリング周波数を 100 [Hz] とした 10秒分のデータです。
0.2 \cos (2\pi \cdot 0.1 t) -
(振幅はデータ中央で最小になる)0.05 (1 + 0.2 | t - 5|) \sin(2\pi \cdot 1 t) -
(振幅はデータ中央で最大になる)0.04 (1 - 0.2 | t - 5|) \cos(2\pi \cdot 2 t)
def generate_data() -> tuple[NDArray[np.float64], NDArray[np.float64], list[NDArray[np.float64]]]:
"""Generate sample displacement data."""
# trend: parabola
fs = 100.0 # [Hz]
duration = 10.0 # [s]
times = np.arange(0, duration, 1 / fs)
trend = 0.2 * np.sin(2 * np.pi * 0.1 * times + np.pi / 2)
# frequency components
wave1 = 0.05 * np.sin(2 * np.pi * 1.0 * times) # 1.0 Hz
wave1 *= 1 + 0.2 * np.abs(times - duration / 2) # amplitude modulation
wave2 = 0.04 * np.sin(2 * np.pi * 2.0 * times + np.pi / 2) # 2.0 Hz
wave2 *= 1 - 0.2 * np.abs(times - duration / 2) # amplitude modulation
# noise
noise = 0.005 * np.random.normal(size=len(times))
result = trend + wave1 + wave2 + noise
return times, result, [trend, wave1, wave2, noise]
入力データを図示します。灰色が入力データであり、青線がトレンド (0.1 [Hz])、オレンジ線が 1 [Hz]、緑線が 2 [Hz] の信号です。入力データはノイズも付加されています。

結果
窓幅
# generate data
times, data, components = generate_data()
# apply SSA
window_length = 150
ssa_model = SSA(window_length=window_length)
ssa_model.fit(data)
# reconstruction
reconstructed = ssa_model.reconstruct([0, 1, 2, 3, 4, 5])

次に上記で使用した特異値を 2個ずつに分けて信号を再構成します。トレンド, 1 [Hz] の信号, 2 [Hz] の信号と予想されるため、それぞれの元信号と比較します。

最後に特異値分解の結果である行列
緑線と赤線を見ると 1 [Hz] の基本的な信号、紫線と茶線を見ると 2 [Hz] の基本的な信号に見えます。

まとめ
SSA (Singular Spectrum Analysis) の処理と実装、SSA が周期的な信号に分解する説明、擬似的に生成した信号による再構成の例を挙げました。
参考文献
以下を参考にしました。
Discussion