一种用于时间序列的新型趋势符号聚合近似
机器学习
2019-05-03 v1 离散数学
摘要
符号聚合近似（SAX）是许多时间序列数据挖掘应用中的经典符号方法。然而，SAX 仅反映分段均值特征，并遗漏了分段中的重要信息，即分段内数值变化的趋势。这种遗漏在某些情况下可能导致错误分类，因为 SAX 表示无法区分平均值相似但趋势不同的时间序列。本文中，我们提出趋势特征符号聚合近似（TFSAX）以解决该问题。首先，我们利用分段聚合近似（PAA）方法降维，并通过 SAX 对每个分段的均值离散化。其次，利用趋势距离因子与趋势形状因子提取各分段中的趋势特征。然后，设计多分辨率符号映射规则将趋势信息离散化为符号。我们还提出一种通过将 SAX 距离与加权趋势距离相融合的改进距离度量。我们证明了该距离度量相比原始 SAX 对欧氏距离具有更紧的下界。在多种时间序列数据集上的实验结果表明，我们所提表示在分类上显著优于原始 SAX 表示及一种改进型 SAX 表示。
引用
@article{arxiv.1905.00421,
title = {A Novel Trend Symbolic Aggregate Approximation for Time Series},
author = {Yufeng Yu and Yuelong Zhu and Dingsheng Wan and Qun Zhao and Huan Liu},
journal= {arXiv preprint arXiv:1905.00421},
year = {2019}
}
备注
9 pages,ACM_IMCOM2019_CFP