md_files/科研/高飞论文.md

# 高飞论文

## 证明特征值序列为平稳的时间序列

### 问题设定

- **研究对象**  
  设 $\{\lambda_1(A)_t\}_{t\in\mathbb Z}$ 是随时间变化的随机对称矩阵 $A_t$ 的最大特征值序列（如动态网络的邻接矩阵）。
- **目标**  
  证明 $\{\lambda_1(A)_t\}$ 是 **二阶（弱）平稳**的时间序列，即  
  1. $E[\lambda_1(A)_t]=\mu_1$（与 $t$ 无关）；  
  2. $\operatorname{Var}[\lambda_1(A)_t]=\sigma_1^2<\infty$（与 $t$ 无关）；  
  3. $\operatorname{Cov}(\lambda_1(A)_t,\lambda_1(A)_{t-k})=\gamma(k)$ 只依赖滞后 $k$。



### 关键假设

- **矩阵统计特性（引理 1）**  

  - $A_t$ 为 $N\times N$ 实对称随机矩阵；元素 $\{a_{ij}\}_{i\le j}$ 相互独立且有界：$|a_{ij}|\le K$。  

  - 非对角元素：$E[a_{ij}]=\mu>0,\ \operatorname{Var}(a_{ij})=\sigma^2$；对角元素：$E[a_{ii}]=v$。  

  - $N$ 足够大时  
    $$
    E[\lambda_1(A_t)]\approx(N-1)\mu+v+\tfrac{\sigma^2}{\mu}\equiv\mu_1,\qquad
    \operatorname{Var}[\lambda_1(A_t)]\approx2\sigma^2\equiv\sigma_1^2 .
    $$

说明：

- **$\sigma^2$**  
  这是随机矩阵 $A_t$ 的非对角线元素 $a_{ij}$ ($i \neq j$) 的方差，即  
  $$
  \text{Var}(a_{ij}) = \sigma^2.
  $$
  根据引理1的假设，所有非对角线元素独立同分布，均值为 $\mu$，方差为 $\sigma^2$。

- **$\sigma_1^2$**  
  这是最大特征值 $\lambda_1(A_t)$ 的方差，即  
  $$
  \text{Var}[\lambda_1(A_t)] \equiv \sigma_1^2.
  $$
  当 $N$ 足够大时，$\sigma_1^2$ 近似为 $2\sigma^2$。

- **时间序列模型**  
  对**去中心化序列**  
  $$
    \tilde z_t:=\lambda_1(A)_t-\mu_1
  $$
  假设其服从 AR(1)  
  $$
    \tilde z_t=\rho\,\tilde z_{t-1}+\varepsilon_t,\qquad
    \varepsilon_t\stackrel{\text{i.i.d.}}{\sim}\text{WN}(0,\sigma_\varepsilon^{2}),\ \ |\rho|<1,
  $$
  且 $\varepsilon_t$ 与历史 $\{\tilde z_{s}\}_{s<t}$ 独立。



### 证明主特征值序列平稳

#### **(1) 均值恒定性的推导**

- 去中心化后 $E[\tilde z_t]=0$。因此
  $$
    E[\lambda_1(A)_t]=E[\tilde z_t]+\mu_1=\mu_1,
  $$
  与 $t$ 无关，满足第一条。

#### (2) 方差恒定

AR(1)模型定义为：
$$
z_t = \rho z_{t-1} + \varepsilon_t
$$

$$
\begin{aligned}
z_t &= \varepsilon_t + \rho z_{t-1} \\
&= \varepsilon_t + \rho (\varepsilon_{t-1} + \rho z_{t-2}) \\
&= \varepsilon_t + \rho \varepsilon_{t-1} + \rho^2 \varepsilon_{t-2} + \cdots \\
&= \sum_{j=0}^\infty \rho^j \varepsilon_{t-j}
\end{aligned}
$$

$$
\text{Var}(z_t) = \text{Var}\left( \sum_{j=0}^\infty \rho^j \varepsilon_{t-j} \right)= \sum_{j=0}^\infty \rho^{2j} \text{Var}(\varepsilon_{t-j})
$$

由于$\text{Var}(\varepsilon_{t-j}) = \sigma_\varepsilon^2$ 对所有 $j$ 成立，
$$
= \sigma_\varepsilon^2 \sum_{j=0}^\infty \rho^{2j}=\frac{\sigma_\varepsilon^2}{1-\rho^2}
$$

- **$|\rho| < 1$** 是保证级数收敛和方差有限的充要条件。



根据引理1，$\text{Var}[\lambda_1(A_t)] \approx 2\sigma^2 = \sigma_1^2$。为使模型与理论一致，可设：
$$
\sigma_\varepsilon^2 = (1 - \rho^2) \cdot 2\sigma^2
$$

此时：

$$
\text{Var}[\tilde{z}_t] = 2\sigma^2 = \sigma_1^2
$$




#### **(3) 协方差仅依赖滞后 $k$**

对 $k\ge0$，
$$
  \gamma(k):=\operatorname{Cov}(\tilde z_t,\tilde z_{t-k})
            =\rho^{k}\sigma_{\tilde z}^{2},
$$
仅含 $k$ 而与 $t$ 无关；于是
$$
  \operatorname{Cov}(\lambda_1(A)_t,\lambda_1(A)_{t-k})=\gamma(k),
$$
满足第三条。



#### (4) 平稳性的核心条件

1. **|ρ| < 1 是关键条件**  
   - 直观上：$\rho$ 越小，当前特征值对过去的依赖越弱；  
   - $\rho=\pm1$ 会让方差发散，不可能稳态。  
2. **噪声独立性**：$\varepsilon_t$ 为白噪声，确保新信息与历史无关。



### 证明剩余特征值平稳（大模型说不可取）：

#### 1. 收缩操作（Deflation）的严格定义

设 $A_t$ 的谱分解为：
$$
A_t = \sum_{i=1}^N \lambda_i u_i u_i^\top,
$$
其中 $\lambda_1 \geq \lambda_2 \geq \dots \geq \lambda_N$，且 $\{u_i\}$ 是标准正交基。

- **第一次收缩**：  
  定义剩余矩阵 $A_{t,2} = A_t - \lambda_1 u_1 u_1^\top$，其性质为：

  - 特征值：$\lambda_2, \lambda_3, \dots, \lambda_N$（即移除 $\lambda_1$ 后剩余特征值不变）。
  - 特征向量：$u_2, \dots, u_N$ 保持不变（因 $u_1$ 与其他特征向量正交）。

- **第 $k$ 次收缩**：  
  递归定义：
  $$
  A_{t,k+1} = A_{t,k} - \lambda_k u_k u_k^\top,
  $$
  剩余矩阵 $A_{t,k+1}$ 的特征值为 $\lambda_{k+1}, \dots, \lambda_N$。

每次收缩移除当前主成分，剩余矩阵的特征值是原始矩阵中未被移除的部分。

---

#### 2. 剩余特征值的统计特性

**目标**：证明 $\{\lambda_k(A_t)\}_{t \in \mathbb{Z}}$ 对 $k \geq 2$ 也是弱平稳的。

##### **(1) 均值恒定性**

- **剩余矩阵的期望**：  
  由线性性：
  $$
  E[A_{t,k+1}] = E[A_t] - \sum_{i=1}^k E[\lambda_i u_i u_i^\top].
  $$
  若 $A_t$ 的元素分布时不变，且 $\lambda_i$ 和 $u_i$ 的期望稳定（由主特征值的平稳性保证），则 $E[A_{t,k+1}]$ 与 $t$ 无关。

- **特征值期望**：  
  对剩余矩阵 $A_{t,k+1}$，其主特征值 $\lambda_{k+1}(A_t)$ 的期望近似为：
  $$
  E[\lambda_{k+1}(A_t)] \approx (N-k-1)\mu + v + \frac{\sigma^2}{\mu} \equiv \mu_{k+1},
  $$
  其中 $(N-k-1)\mu$ 是剩余非对角元素的贡献（假设每次收缩后非对角元素统计特性不变）。

##### **(2) 方差恒定性**

- **剩余矩阵的方差**：  
  收缩操作通过正交投影移除 $\lambda_k u_k u_k^\top$，因此剩余矩阵 $A_{t,k+1}$ 的元素方差仍为 $\sigma^2$（对角元素可能需调整）。  
  由引理1的推广：
  $$
  \text{Var}[\lambda_{k+1}(A_t)] \approx 2\sigma^2 \equiv \sigma_{k+1}^2.
  $$

- **动态模型**：  
  假设去中心化序列 $\tilde{z}_{k+1,t} = \lambda_{k+1}(A_t) - \mu_{k+1}$ 服从AR(1)：
  $$
  \tilde{z}_{k+1,t} = \rho_{k+1} \tilde{z}_{k+1,t-1} + \varepsilon_{k+1,t}, \quad |\rho_{k+1}| < 1,
  $$
  稳态方差为：
  $$
  \sigma_{\tilde{z}_{k+1}}^2 = \frac{\sigma_{\varepsilon_{k+1}}^2}{1-\rho_{k+1}^2} = \sigma_{k+1}^2.
  $$

##### **(3) 协方差仅依赖滞后 $m$**

- 协方差函数：
  $$
  \gamma_{k+1}(m) = \text{Cov}(\tilde{z}_{k+1,t}, \tilde{z}_{k+1,t-m}) = \rho_{k+1}^{|m|} \sigma_{\tilde{z}_{k+1}}^2.
  $$
  仅依赖 $m$，与 $t$ 无关。

---

#### **3. 递推证明的完整性**

1. **归纳基础**：  
   $k=1$ 时（主特征值），平稳性已证。

2. **归纳假设**：  
   假设 $\lambda_k(A_t)$ 的平稳性成立，即：
   - $E[\lambda_k(A_t)] = \mu_k$（常数），
   - $\text{Var}[\lambda_k(A_t)] = \sigma_k^2$（有限），
   - $\text{Cov}(\lambda_k(A_t), \lambda_k(A_{t-m})) = \gamma_k(m)$。

3. **归纳步骤**：  
   - 通过收缩操作，$\lambda_{k+1}(A_t)$ 成为 $A_{t,k+1}$ 的主特征值。  
   - 若 $A_{t,k+1}$ 满足与 $A_t$ 相同的统计假设（独立性、有界性、时不变性），则 $\lambda_{k+1}(A_t)$ 的平稳性可类比主特征值的证明。



## JB-test

**JB-test（Jarque-Bera test）** 是一种用于检验样本数据是否服从正态分布的统计假设检验方法。这个检验特别适用于判断数据的偏度（skewness）和峰度（kurtosis）是否符合正态分布的特性。

正态分布具有以下特性：

- **偏度（Skewness）** 为 $0$，表示数据的分布是对称的。
- **峰度（Kurtosis）** 为 $3$，表示数据的峰度是"中等"的。



### JB-test的统计量

Jarque-Bera统计量的计算公式为：

$$
JB = \frac{n}{6} \left( S^2 + \frac{(K - 3)^2}{4} \right)
$$

其中：

- $n$ 是样本的大小。
- $S$ 是样本的偏度（skewness），衡量分布的对称性。
- $K$ 是样本的峰度（kurtosis），衡量分布的尖峭程度。

### JB-test的分布和检验步骤

- **零假设（$H_0$）**：数据服从正态分布。
- **备择假设（$H_1$）**：数据不服从正态分布。

在进行检验时，首先计算 JB 统计量，然后将其与卡方分布进行比较：

- JB 统计量的分布近似于自由度为 $2$ 的卡方分布（当样本量较大时）。
- 如果 JB 统计量的值大于临界值（根据设定的显著性水平，比如 $0.05$），则拒绝零假设，即认为数据不符合正态分布。
- 如果 JB 统计量的值小于临界值，则无法拒绝零假设，即认为数据服从正态分布。



### 结论

- **如果 JB 统计量接近 $0$**，说明数据的偏度和峰度与正态分布的期望非常接近，数据可能符合正态分布。
- **如果 JB 统计量远离 $0$**，则说明数据的偏度或峰度与正态分布的特征差异较大，数据不符合正态分布。



## 特征值精度预估

卡尔曼滤波的状态更新方程为 $x_k' = x_k + K (z_k - H x_k)$，如果增益系数 $K$ 变小，那么先验预测 $x_k$ 接近真实值；反之如果增益系数 $K$ 变大，则测量值 $z_k$ 更接近真实值。增益系数$K$受到过程噪声$Q$以及观测噪声$R$的影响，因此估算的过程噪声$Q$和观测噪声$R$，与实际值是否一致，将决定$K$是否准确，从而影响滤波的精度。

设过程噪声$Q$的期望为$\mu_q$，方差为$\sigma_q$；观测噪声$R$的期望为$\mu_r$，方差为$\sigma_r$。其中$\mu_q$、$\sigma_q$和$\mu_r$、$\sigma_r$时未知；$n_q$、$n_r$分别为过程噪声与观测噪声的采样长度。

针对我们研究对象，特征值滤波公式的系数都属于实数域。$P_{k-1}$是由上次迭代产生，因此可以$FP_{k-1}F^T$看作定值，则$P_k$的方差等于$Q$的方差，即：

$$
\text{var}(P_k) = \text{var}(Q)
$$

对卡尔曼增益$K$进行变换可得：

$$
K = \frac{1}{H + (H^T)^{-1} \cdot \left(\frac{R}{P_k}\right)}
$$

且方差满足：

$$
D\left(\frac{R}{P_k}\right) = \frac{\sigma_r}{\sigma_q}
$$

其中：

- $H$ 为观测矩阵
- $(H^T)^{-1}$ 表示观测矩阵转置的逆
- $\sigma_r$, $\sigma_q$ 分别为观测噪声和过程噪声的标准差

设$\{Q_1, Q_2, \cdots, Q_m\}$是属于$\{Q\}$的一组样本，$\{R_1, R_2, \cdots, R_n\}$是属于$\{R\}$的一组样本，由于过程噪声$Q$与观测噪声$R$都满足高斯分布则可知如下卡方分布：
$$
\sum_{i=1}^{n_q} \left( \frac{Q_i - \overline{Q}}{\sigma_q} \right)^2 \sim \chi^2(n_q - 1) \quad \text{(2-21)}
$$

$$
\sum_{i=1}^{n_r} \left( \frac{R_i - \overline{R}}{\sigma_r} \right)^2 \sim \chi^2(n_r - 1) \quad \text{(2-22)}
$$

对两式作变形可得$F$分布：

$$
\frac{\chi^{2}(n_{q})/(n_{q}-1)}{\chi^{2}(n_{r})/(n_{r}-1)} \sim F(n_{q}-1,n_{r}-1) \quad \text{(2-23)}
$$

观测噪声$Q$和过程噪声$R$比值$\sigma_{r}/\sigma_{q}$的区间估计满足：

$$
\frac{S_{q}^{*2}\sigma_{r}^{2}}{S_{r}^{*2}\sigma_{q}^{2}} \sim F(n_{q}-1,n_{r}-1)
$$

其中：

$$
S_{q}^{*2} = \frac{1}{n_{q}-1}\sum_{i=1}^{n_{q}}(Q_{i}-\overline{Q})^{2} \quad \text{(2-24)}
$$

$$
S_{r}^{*2} = \frac{1}{n_{r}-1}\sum_{i=1}^{n_{r}}(R_{i}-\overline{R})^{2} \quad \text{(2-25)}
$$

对于置信度为$1-\alpha$的情况：
$$
P\left\{F_{1-\alpha/2}(n_q-1,n_r-1) \leq \frac{S_{q}^{*2}\sigma_{r}^{2}}{S_{r}^{*2}\sigma_{q}^{2}} \leq F_{\alpha/2}(n_q-1,n_r-1)\right\}=1-\alpha \quad \text{(2-26)}
$$

于是可以得到：

$$
P\left\{F_{1-\alpha/2}(n_q-1,n_r-1)\frac{S_{r}^{*2}}{S_{q}^{*2}} \leq \frac{\sigma_{r}^{2}}{\sigma_{q}^{2}} \leq F_{\alpha/2}(n_q-1,n_r-1)\frac{S_{r}^{*2}}{S_{q}^{*2}}\right\}=1-\alpha \quad \text{(2-27)}
$$


我们采用绝对误差来进行精度分析，设$\xi$为绝对误差上限，即：

$$
\text{MSE}(\hat{x} - x) \leq \xi
$$

则有：

$$
\xi = \left( \frac{1}{c + m\theta_{min}} - \frac{1}{c + m\theta_{max}} \right) E\left( x_k' - x_k \right)
$$

$$
= \frac{m\left( \theta_{max} - \theta_{min} \right)}{(c + m\theta_{min}) \left( c + m\theta_{max} \right)} E\left( x_k' - x_k \right) \quad(2-28)
$$



当$cm=1$时，可得：

$$
= \frac{(\theta_{max} - \theta_{min}) E \left( x_k' - x_k \right)}{(c^2 + \theta_{min}) (c^2 + \theta_{max})}

\quad(2-29)
$$

其中 $\theta_{min} = \left( F_{1-\alpha/2}(n_q - 1, n_r - 1) \frac{S_r^*}{S_q^*} \right)^{1/2}$，$\theta_{max} = \left( F_{\alpha/2}(n_q - 1, n_r - 1) \frac{S_r^*}{S_q^*} \right)^{1/2}$



根据上述推导，在获得预测模型的过程噪声与观测噪声后，可以根据区间估计的方法进行误差上界预估。



## 基于时空特征的节点位置预测

在本模型中，整个预测流程分为两大模块：

- **GCN 模块：主要用于从当前网络拓扑中提取每个节点的**空间表示**。这里的输入主要包括：
  - **邻接矩阵 $A$**：反映网络中节点之间的连通关系，维度为 $N \times N$，其中 $N$ 表示节点数。(可通过第二章网络重构的方式获取)
  - **特征矩阵 $H^{(0)}$**：一般是原始节点的属性信息，如历史位置数据，其维度为 $N \times d$，其中 $d$ 是初始特征维度。

- **LSTM 模块**：用于捕捉节点随时间变化的动态信息，对每个节点的历史运动轨迹进行序列建模，并预测未来时刻的坐标。  
  其输入通常是经过 GCN 模块处理后，每个节点在一段时间内获得的时空融合特征序列，维度一般为 $N \times T \times d'$，其中 $T$ 表示时间步数，$d'$ 是经过 GCN 后的特征维度。



### GCN 模块

#### 输入

- **邻接矩阵 $A$**：维度 $N \times N$。在实际操作中，通常先加上自环形成 
  $$
  \hat{A} = A + I.
  $$

- **特征矩阵 $H^{(0)}$**：维度 $N \times d$，每一行对应一个节点的初始特征（例如历史采样的位置信息或其他描述）。

#### 图卷积操作

常用的图卷积计算公式为：
$$
H^{(l+1)} = \sigma \Bigl(\tilde{D}^{-1/2}\tilde{A}\tilde{D}^{-1/2} H^{(l)} W^{(l)} \Bigr)
$$
其中：

- $\tilde{A} = A + I$ 为加上自环后的邻接矩阵，
- $\tilde{D}$ 为 $\tilde{A}$ 的度矩阵，定义为 $\tilde{D}_{ii} = \sum_{j}\tilde{A}_{ij}$；
- $H^{(l)}$ 表示第 $l$ 层的节点特征，初始时 $H^{(0)}$ 就是输入特征矩阵；
- $W^{(l)}$ 是第 $l$ 层的权重矩阵，其维度通常为 $d_l \times d_{l+1}$（例如从 $d$ 到 $d'$）；
- $\sigma(\cdot)$ 是非线性激活函数，例如 ReLU 或 tanh。

经过一层或多层图卷积后，可以得到最终的节点表示矩阵 $H^{(L)}$（或记为 $X$），维度为 $N \times d'$。  
其中：

- 每一行 $x_i \in \mathbb{R}^{d'}$ 表示节点 $i$ 的空间特征，这些特征综合反映了其在网络拓扑中的位置及与邻居的关系。

#### 输出

- **GCN 输出**：形状为 $N \times d'$；若将模型用于时序建模，则对于每个时间步，都可以得到这样一个节点特征表示。
- 这里 $d'>d$ 。1.高维嵌入不仅保留了绝对位置信息，还包括了网络拓扑信息。2.兼容下游LSTM任务需求。



### LSTM 模块

#### 输入数据构造

在时序预测中，对于每个节点，我们通常有一段历史数据序列。假设我们采集了最近 $T$ 个时刻的数据，然后采用“滑动窗口”的方式，预测 $T+1$、 $T+2$...

- 对于每个时刻 $t$，节点 $i$ 的空间特征 $x_i^{(t)} \in \mathbb{R}^{d'}$ 由 GCN 得到；

- 将这些特征按照时间顺序排列，得到一个序列：
  $$
  X_i = \bigl[ x_i^{(t-T+1)},\, x_i^{(t-T+2)},\, \dots,\, x_i^{(t)} \bigr] \quad \in \mathbb{R}^{T \times d'}.
  $$

对于整个网络来说，可以将数据看作一个三维张量，维度为 $(N, T, d')$。

#### LSTM 内部运作

LSTM 通过内部门控机制（遗忘门 $f_t$、输入门 $i_t$ 和输出门 $o_t$）来更新其记忆状态 $C_t$ 和隐藏状态 $h_t$。公式如下

- **遗忘门**：
  $$
  f_t = \sigma(W_f [h_{t-1},\, x_t] + b_f)
  $$

- **输入门和候选记忆**：
  $$
  i_t = \sigma(W_i [h_{t-1},\, x_t] + b_i) \quad,\quad \tilde{C}_t = \tanh(W_C [h_{t-1},\, x_t] + b_C)
  $$

- **记忆更新**：
  $$
  C_t = f_t \odot C_{t-1} + i_t \odot \tilde{C}_t
  $$

- **输出门和隐藏状态**：
  $$
  o_t = \sigma(W_o [h_{t-1},\, x_t] + b_o), \quad h_t = o_t \odot \tanh(C_t)
  $$



其中，$x_t$ 在这里对应每个节点在时刻 $t$ 的 GCN 输出特征；  
$[h_{t-1},\, x_t]$ 为连接后的向量；  

LSTM 的隐藏状态 $h_i \in \mathbb{R}^{d'' \times 1}$（其中 $d''$ 为 LSTM 的隐藏单元数）捕捉了时间上的依赖信息。

#### 输出与预测

最后，经过 LSTM 处理后，我们在最后一个时间步获得最终的隐藏状态 $h_t$ 或使用整个序列的输出；接着通过一个全连接层（FC层）将隐藏状态映射到最终的预测输出。

- **全连接层转换公式**：
  $$
  \hat{y}_i = W_{\text{fc}} \cdot h_t + b_{\text{fc}}
  $$

其中，假设预测的是二维坐标（例如 $x$ 和 $y$ 坐标），$W_{\text{fc}} \in \mathbb{R}^{2 \times d''}$，输出 $\hat{y}_i \in \mathbb{R}^2$ 表示节点 $i$ 在未来某个时刻（或下一时刻）的预测坐标。

![image-20250411142712730](https://pic.bitday.top/i/2025/04/11/nlpxlh-0.png)



若整个网络有 $N$ 个节点，则最终预测结果的输出维度为 $N \times 2$（或 $N \times T' \times 2$，如果预测多个未来时刻）。



### 疑问

该论文可能有点问题，每个节点只能预测自身未来位置，无法获取全局位置信息。如果先LSTM后GCN可能可以！