面向大规模数据的基于选择性时间汉明距离的状态转换事件序列模式发现
人工智能
2025-12-02 v1 机器学习
摘要
离散事件系统既存在于自然观察中，也存在于社会经济科学及工业系统中。标准分析方法通常不充分利用事件/状态双重性质：信号要么建模为转换事件序列，强调事件顺序对齐，要么建模为类别型或有序状态时间序列，通常需要对事件数量和观察周期增长进行重采样，这种操作会引入扭曲且成本高昂。在本工作中，我们定义了状态转换事件时间序列（STE-ts），并提出一种选择性时间汉明距离（Selective Temporal Hamming distance, STH），既利用转换时间又利用状态停留时长，避免了在大型数据库上进行代价高昂且会引入扭曲的重采样操作。STH 将重采样汉明距离和杰卡德指数等指标进行一般化，具有更高的精度和计算效率，还能聚焦于多个感兴趣的状态。我们在仿真数据和真实数据集上验证了这些优势。
引用
@article{arxiv.2512.01440,
title = {A Selective Temporal Hamming distance to find patterns in state transition event timeseries, at scale},
author = {Sylvain Marié and Pablo Knecht},
journal= {arXiv preprint arXiv:2512.01440},
year = {2025}
}