大规模多元时间序列中不同长度的子维 motifs 发现

检测时间序列中不同长度的重复模式(亦称变长 motifs)已受到研究人员与从业者的广泛关注。尽管近期单维变长 motif 发现工作取得了显著进展,检测变长子维 motifs——即仅在多元时间序列的子集维度中同时出现的模式——仍是一项困难任务。主要挑战在于可扩展性。一方面,暴力枚举方案搜索所有可能长度的 motifs,即使在单维时间序列中也非常耗时。另一方面,先前工作表明,基于索引的定长近似 motif 发现算法(如随机投影)由于内存需求而不适用于检测变长 motifs。本文中,我们提出一种称为协同层次 motif 枚举(CHIME)的近似变长子维 motifs 发现算法,用于在给定最小 motif 长度的大规模多元时间序列中高效检测变长子维 motifs。我们表明该方法的内存开销显著小于随机投影。此外,所提算法的速度显著快于 SOTA 算法。我们证明 CHIME 能在大型真实世界多元时间序列数据集中高效检测有意义的变长子维 motifs。