一种用于时序数据符号表示的高效聚合方法
机器学习
2022-01-19 v1 数学软件
摘要
符号表示是时序数据降维的有用工具,可实现时间序列的高效存储与信息检索。它们还能通过降噪和降低对超参数的敏感性,增强机器学习算法在时序数据上的训练。基于自适应布朗桥的聚合(ABBA)方法就是一种有效且鲁棒的符号表示,已被证明能准确捕捉时间序列中的重要趋势与形状。然而,其当前形式难以处理非常大的时间序列。在此我们提出 ABBA 方法的一种新变体,称为 fABBA。该变体利用一种针对时间序列分段表示的新聚合方法。通过用基于排序的聚合技术替代 ABBA 中的 k-means 聚类,从而避免重复的平方和误差计算,计算复杂度显著降低。与原始方法不同,新方法无需预先指定时间序列符号的数量。通过大量测试,我们证明新方法显著优于 ABBA,运行时间大幅减少,同时在重构精度上也优于流行的 SAX 和 1d-SAX 表示。我们进一步证明 fABBA 可压缩图像等其他数据类型。
引用
@article{arxiv.2201.05697,
title = {An efficient aggregation method for the symbolic representation of temporal data},
author = {Xinye Chen and Stefan Güttel},
journal= {arXiv preprint arXiv:2201.05697},
year = {2022}
}