基于高效核的子序列搜索用于行走活动下的用户识别
机器学习
2019-07-17 v2 机器学习
摘要
本文提出了一种用于数据流中 subsequence 搜索的高效方法。该问题包含在一个较长的数据流中识别给定参考时间序列(最终为多变量)的连贯重复。动态时间规整(DTW)是实现模式查询最广泛使用的度量,但其计算复杂度是众所周知的问题。在本文中,我们提出一种旨在学习能够逼近DTW的核的方法,用于高效分析从可穿戴传感器采集的流数据,降低计算负担。与核不同,DTW允许比较长度不同的时间序列。因此,为使用核,采用特征嵌入将时间序列表示为定长向量。每个向量分量是该给定时间序列与一组通常随机选取的“基”序列之间的DTW。向量大小是用于特征嵌入的基序列数量。搜索数据流中使与参考子序列的DTW最小的部分导致一个全局优化问题。所提方法已在一个与基于行走活动识别用户相关的基准数据集上得到验证。同时还提供了与传统DTW实现的比较。
引用
@article{arxiv.1906.04680,
title = {Efficient Kernel-based Subsequence Search for User Identification from Walking Activity},
author = {Antonio Candelieri and Stanislav Fedorov and Enza Messina},
journal= {arXiv preprint arXiv:1906.04680},
year = {2019}
}
备注
Keywords: Subsequence Search on Streaming Data, Dynamic Time Warping, Kernel