动态时间规整在时间序列回归中影响的案例研究
机器学习
2020-10-13 v1 机器学习
摘要
人们已经充分认识到动态时间规整（DTW）在揭示未完全对齐的时间序列之间的相似性方面是有效的。在本文中，我们在光谱时间序列数据上说明了这一点。我们表明，当仅考虑单一波长时，DTW 在提高回归任务的准确性方面是有效的。当与 k-最近邻（k-Nearest Neighbour）结合时，DTW 还有一个额外的优势，即它可以在时间序列的层面上揭示样本之间的相似性与差异。然而，在我们考虑的问题中，数据是在一个波长谱上可用的。如果在许多波长上使用聚合统计量（均值、方差），DTW 的优势就不再明显。我们将此作为机器学习中大数据胜过复杂模型的又一个例子。
引用
@article{arxiv.2010.05270,
title = {A Case-Study on the Impact of Dynamic Time Warping in Time Series Regression},
author = {Vivek Mahato and Pádraig Cunningham},
journal= {arXiv preprint arXiv:2010.05270},
year = {2020}
}
备注
3nd ECML/PKDD Workshop on Advanced Analytics and Learning on Temporal Data (2018)