超越点匹配：评估多尺度Dubuc距离用于时间序列相似性
机器学习
2025-10-28 v1 太阳与恒星天体物理
摘要
时间序列是高维且复杂的数据对象，因此其高效搜索和索引一直是数据挖掘中的长期挑战。基于最近引入的一种相似性度量——多尺度Dubuc距离（MDD），本文研究了其相对于广泛使用的动态时间规整（DTW）的比较优势和局限性。MDD在两个关键方面具有新颖性：它在多个时间尺度上评估时间序列相似性，并避免了点对点对齐。我们证明，在许多MDD优于DTW的场景中，性能提升是显著的，并详细分析了其解决的具体性能差距。除了UCR存档中的95个数据集外，我们还进行了模拟实验来检验我们的假设。最后，我们将两种方法应用于一项具有挑战性的真实世界分类任务，结果表明MDD相比DTW有显著改进，凸显了其实用价值。
引用
@article{arxiv.2510.21824,
title = {Beyond Point Matching: Evaluating Multiscale Dubuc Distance for Time Series Similarity},
author = {Azim Ahmadzadeh and Mahsa Khazaei and Elaina Rohlfing},
journal= {arXiv preprint arXiv:2510.21824},
year = {2025}
}