Neue Methode: Temporal Markov Transition Field visualisiert Zeitreihen dynamisch

Wissenschaftler haben eine Weiterentwicklung des Markov Transition Field (MTF) vorgestellt, die Zeitreihen in zweidimensionale Bilder umwandelt und dabei die zeitliche Veränderung der Dynamik exakt erfasst. Das klassische MTF bildet jede Zeitstufe als Pixel ab, wobei die Übergangswahrscheinlichkeit zwischen quantilen Zuständen aus einer einzigen globalen Übergangsmatrix berechnet wird. Diese Vorgehensweise funktioniert gut, wenn die Prozessdynamik stationär ist, verliert jedoch an Aussagekraft, sobald sich das System im Zeitverlauf in unterschiedliche Regime bewegt.

Die neue Technik, die Temporal Markov Transition Field (TMTF) genannt wird, teilt die Zeitreihe in K aufeinanderfolgende Segmente auf. Für jedes Segment wird eine eigene lokale Übergangsmatrix geschätzt, sodass die resultierende Bildmatrix aus horizontalen Bändern besteht, die jeweils die Dynamik eines bestimmten Zeitabschnitts widerspiegeln. Dadurch bleibt die Information darüber erhalten, wann welche dynamische Phase aktiv war, und das Bild liefert ein deutlich präziseres Bild der Prozessentwicklung.

Die Autoren erläutern die mathematische Definition, zeigen anhand eines konkreten Beispiels die Unterschiede zum globalen MTF und analysieren das Bias–Variance‑Trade‑off, das durch die zeitliche Chunking entsteht. Außerdem wird die geometrische Bedeutung der lokalen Matrizen in Bezug auf Persistenz, Mittelwertrückkehr und Trendverhalten diskutiert. Die TMTF ist amplitudenunabhängig und bewahrt die Reihenfolge der Daten, was sie zu einem vielseitigen Werkzeug für die Analyse komplexer Zeitreihen macht.