The Temporal Markov Transition Field

Dit artikel introduceert het Temporal Markov Transition Field (TMTF), een uitbreiding van de bestaande Markov Transition Field-methode die tijdsreeksen in afbeeldingen omzet door lokale overgangsmatrices voor tijdssegmenten te gebruiken in plaats van één globale matrix, waardoor veranderingen in dynamische regimes in de tijd behouden blijven voor effectievere analyse met convolutionele neurale netwerken.

De kern

Stel je voor dat je een lange film van een weerbericht bekijkt. De eerste helft van de film toont een heel rustige, voorspelbare dag: de zon schijnt, er is een briesje, en het blijft zo. De tweede helft is echter een compleet ander verhaal: plotseling breekt een orkaan los, de wind draait en de lucht verandert van kleur.

De oude methode om zo'n tijdreeks (zoals weerdata of beurskoersen) te analyseren, noemen we de Markov Transition Field (MTF). Deze methode kijkt naar de hele film en trekt één gemiddeld beeld. Het is alsof je de hele film in één keer in een blender doet en er een grijze smoothie van maakt. Je ziet nog wel dat er "wind" en "zon" in zaten, maar je kunt niet meer zien wanneer de storm begon. De dynamiek van het begin en het einde zijn door elkaar gehaald, en het resultaat is een saaie, eentonige afbeelding die de echte veranderingen verbergt.

In dit nieuwe artikel introduceert Michael Leznik een slimme upgrade: de Temporale Markov Transition Field (TMTF).

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Reisgids" in plaats van de "Gemiddelde"

Stel je voor dat je een reisgids schrijft voor een land.

• De oude methode (Global MTF): Je schrijft één hoofdstuk over het hele land. Je zegt: "Gemiddeld is het hier zonnig." Dit is prima als het land overal hetzelfde weer heeft. Maar als het in het noorden sneeuwt en in het zuiden tropisch is, is die ene zin nutteloos. Je weet niet waar je moet zijn voor welk weer.
• De nieuwe methode (TMTF): Je splitst het land op in verschillende regio's (bijvoorbeeld 4 stukken). Voor elk stuk schrijf je een eigen hoofdstuk met de juiste weersvoorspelling voor dat specifieke gebied.
  • Regio 1 (het begin van de tijdreeks): "Hier is het koud en stabiel."
  • Regio 2 (het midden): "Hier wordt het warmer en onvoorspelbaar."
  • Regio 3 & 4: "Hier is het tropisch en stormachtig."

2. Het Visuele Effect: De "Horizontale Banden"

Wanneer je deze data omzet in een afbeelding (zoals een foto) voor een computer (een AI), zie je bij de nieuwe methode iets moois gebeuren:

• De afbeelding krijgt horizontale strepen (zoals een gestreept overhemd of een taart met verschillende lagen).
• De bovenste strepen hebben een bepaalde textuur (bijvoorbeeld een strak patroon) die vertelt: "Hier was het gedrag stabiel."
• De onderste strepen hebben een heel andere textuur (bijvoorbeeld chaotisch of diagonaal) die vertelt: "Hier was het gedrag veranderd."

Een computer die naar deze afbeelding kijkt, kan deze strepen direct zien. Het is alsof de AI een detective is die zegt: "Aha! Ik zie dat de regels van het spel halverwege zijn veranderd!"

3. Waarom is dit zo slim?

De TMTF heeft drie superkrachten:

• Het maakt niet uit hoe groot de waarden zijn (Amplitude-agnostisch):
  Of de beurskoersen nu tussen de 1000 en 2000 schommelen, of tussen de 1 en 2. Het maakt niet uit. De methode kijkt alleen naar de volgorde: "Ging het omhoog of omlaag?" Het is alsof je kijkt naar de dansstappen van iemand, niet naar hoe groot of klein de danser is. Je kunt dus heel verschillende series vergelijken zonder ze eerst te hoeven "schalen".

• Het is slim genoeg om te weten wanneer het nodig is:
  Als de data wel de hele tijd stabiel is (geen regime-switch), dan verdwijnt de complexiteit vanzelf. De afbeelding ziet er dan weer uit als de oude, simpele versie. De computer hoeft niet harder te werken als het niet nodig is.

• Het vertelt een verhaal:
  Elke "streep" in de afbeelding heeft een eigen karakter:

  • Een donkere lijn in het midden betekent: "Dingen blijven hier hetzelfde" (persistence).
  • Een verspreide, vage textuur betekent: "Dingen veranderen snel en willekeurig" (mean reversion).
  • Een diagonale lijn betekent: "Dingen gaan steeds verder omhoog" (trend).

Samenvattend

Deze paper lost een groot probleem op: hoe vertel je een computer dat de wereld verandert? De oude methode gaf een gemiddeld antwoord dat de waarheid verdraaide. De nieuwe TMTF-methode splitst de tijd op in stukjes, maakt voor elk stukje een eigen kaartje, en plakt die naast elkaar.

Het resultaat is een kleurrijk, gestreept plaatje dat de computer direct kan "lezen" om te begrijpen: "Hier was het rustig, en daar begon de storm." Dit helpt AI-systemen om patronen in tijdreeksen veel beter te begrijpen, of het nu gaat om beurskoersen, hartslagmetingen of weersvoorspellingen.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "The Temporal Markov Transition Field" in het Nederlands.

Titel: The Temporal Markov Transition Field (TMTF)

Auteur: Michael Leznik (Aristocrat Leisure Limited)
Datum: 8 maart 2026

---

1. Het Probleem

Convolutionele Neural Networks (CNN's) worden steeds vaker ingezet voor tijdreeksanalyse, maar vereisen een tweedimensionale representatie die de dynamische structuur van de data behoudt. Een populaire methode is de Markov Transition Field (MTF), geïntroduceerd door Wang en Oates (2015). De MTF codeert een tijdreeks als een $T \times T$ afbeelding door de overgangswaarschijnlijkheid tussen kwantieltoestanden te gebruiken.

De kernbeperking van de bestaande (globale) MTF is dat deze uitgaat van statische dynamiek:

• Er wordt één enkele, globale overgangsmatrix geschat over de hele tijdreeks.
• Als een proces van regime verandert (bijvoorbeeld van "mean-reverting" naar "persistent" of "trendend"), middelt de globale matrix deze regimes over elkaar.
• Het resultaat is een afbeelding met een uniforme textuur die geen informatie bevat over wanneer een dynamisch regime actief was. De tijdslokaliteit van de verandering gaat verloren.

2. Methodologie: De Temporal Markov Transition Field (TMTF)

De TMTF lost dit probleem op door de aanname van stationariteit los te laten en de tijdreeks te segmenteren.

Kernconcepten:

1. Kwantiel Binning: De tijdreeks wordt omgezet in een toestandssequentie ($b$) door waarden te rangschikken in $Q$ kwantiel-bins. Dit maakt de representatie amplitudeneutraal (onafhankelijk van schaling of verschuiving).
2. Temporale Segmentatie: De tijdreeks van lengte $T$ wordt opgedeeld in $K$ opeenvolgende tijdsblokken (chunks), $C_1, \dots, C_K$.
3. Lokale Overgangsmatrices: In plaats van één globale matrix, wordt voor elk tijdsblok $C_k$ een eigen lokale overgangsmatrix $W^{(k)}$ geschat, gebaseerd alleen op de overgangen binnen dat blok.
4. Constructie van de Afbeelding:
   • De TMTF is een $T \times T$ matrix $M$.
   • De waarde op positie $(i, j)$ wordt bepaald door de lokale matrix van het blok waar tijd $i$ zich bevindt: $M_{ij} = W^{(chunk(i))}_{b_i, b_j}$.
   • Asymmetrie: De rij-index $i$ bepaalt welk lokale matrix wordt gebruikt (dynamiek bij vertrek), terwijl de kolom-index $j$ verwijst naar de doeltoestand in de globale sequentie. Dit behoudt de vergelijkbaarheid tussen kolommen over verschillende blokken heen.

Resultaat: De resulterende afbeelding heeft een horizontale bandstructuur. Elke band (rijen behorend bij een chunk) heeft een unieke textuur die de lokale dynamiek van dat specifieke tijdsinterval weergeeft.

3. Belangrijkste Bijdragen

• Formele Definitie: De paper introduceert de TMTF als een wiskundige uitbreiding van de MTF die regime-switching expliciet codeert.
• Structuur-eigenschappen:
  • Bandstructuur: De afbeelding toont $K$ horizontale banden met verschillende texturen.
  • Verval naar Globale MTF: Als de dynamiek stationair is ($W^{(1)} = \dots = W^{(K)}$), reduceert de TMTF exact tot de standaard globale MTF (geen extra complexiteit bij stationaire data).
  • Amplitudeneutraliteit: De methode is invariant voor strikt stijgende transformaties.
• Analyse van Bias-Variance Trade-off: De auteurs analyseren het compromis tussen het verkleinen van de bias (door regimes te scheiden) en het vergroten van de variantie (door minder data per lokale matrix). Ze stellen een praktische vuistregel op: $T/K \geq 5Q^2 + 1$ om voldoende overgangen per rij te garanderen voor betrouwbare schattingen.
• Multi-resolutie Uitbreiding: De methode kan worden uitgebreid door meerdere TMTF-afbeeldingen te genereren met verschillende bin-aantallen ($Q$), die als aparte kanalen in een CNN worden ingevoerd.

4. Resultaten en Voorbeelden

De paper illustreert de methode met een numeriek voorbeeld van een reeks van 12 punten die halverwege van regime verandert:

• Eerste helft: Toont "mean-reverting" dynamiek (oscillatie tussen lage en hoge waarden).
• Tweede helft: Toont "persistent" dynamiek (monotone stijging).

Vergelijking:

• Globale MTF: Produceert een afbeelding met slechts 3 unieke rijpatronen (een per kwantiel). De regime-verandering is onzichtbaar; de textuur is uniform.
• TMTF (met K=2): Produceert een duidelijke afbeelding met twee horizontale banden.
  • De bovenste band (chunk 1) toont een textuur met een lege diagonaal en sterke off-diagonale elementen (deterministische cyclus).
  • De onderste band (chunk 2) toont een textuur met een zware diagonaal en een boven-driehoekige structuur (trend).
  • Een CNN kan deze textuurverandering direct detecteren aan de grens van de banden.

Geometrische Interpretatie:
De lokale matrices coderen specifieke dynamische patronen:

• Diagonaal-dicht: Persistentie (dicht bij een eenheidswortel).
• Verspreid: Mean-reversion (stationair).
• Boven-driehoekig: Persistente opwaartse trend.
• Uniform: Random walk.

5. Betekenis en Toepassingsgebied

De TMTF is een krachtige tool voor tijdreeksanalyse, vooral in combinatie met CNN's, vanwege drie eigenschappen:

1. Interpreteerbaarheid: De textuur van de banden correleert direct met fysieke eigenschappen van het proces (persistence, trend, reversion).
2. Robuustheid: Het is ongevoelig voor amplitude-schaling, wat normalisatie overbodig maakt.
3. Detectie van Regime-switching: Het is de eerste MTF-variant die in staat is om wanneer een dynamisch regime verandert, visueel en computationeel vast te leggen.

De paper concludeert dat de TMTF een natuurlijke uitbreiding vormt binnen de familie van ordinaire tijdreeksrepresentaties (zoals Permutation Entropy) en een veelbelovende input-laag biedt voor het karakteriseren van complexiteit en non-stationariteit in tijdreeksdata.