我有一组消息，每个消息都有一个到达时间戳。我想分析集合并确定消息到达的周期。 （有了这个，我可以在某种程度上确定地检测到后续消息是迟到还是丢失。）因此，离散傅里叶变换似乎是从集合中提取频率的合理选择。
然而，我所看到的离散傅立叶变换的所有解释都是从以恒定频率采样的有限值集合开始的。而我所拥有的只是一组值（单调增加时间戳值。）
转换为时间序列数据？
我想过选择一个小分辨率 - 例如一秒 - 然后产生从第一个消息开始的时间序列，通过当前实时，以及在每个时间点的相应值（0,1）。 （大多数为零，每条消息到达时都有一个。）
更多具体信息
我有很多套：我需要多次执行此计算，因为我要分析许多不同的集消息。每组消息可能大约有1,000条消息，最长可达一年的实时时间。因此，如果我将一组消息转换为时间序列（如上所述）这是大约3200万（一年中的秒数）时间序列数据点，只有大约1,000个非零值。
一些消息集更频繁：超过几天的~5,000条消息 - 因此更像是~400,000个时间序列数据点，但仍然只有约5,000个非零值。
这是否合理（将到达时间转换为时间序列，然后进行简单的FFT工作）？或者有不同的方法将傅里叶变换应用于我的实际数据（消息到达时间）？
答案 0 :(得分：2)
我建议您将消息计数分成适当持续时间的均匀间隔，然后将这些容器作为时间序列处理，并使用例如系列生成频谱。基于FFT的方法。得到的频谱应该显示任何周期性作为特定频率频率周围的峰值。