多元时间序列的弹性相似度与距离度量
机器学习
2023-01-18 v2 机器学习
摘要
本文贡献了七种常用时间序列弹性相似度与距离度量的多元版本。弹性相似度与距离度量是一类可补偿时间序列数据时间轴错位的相似度度量。我们将著名的动态时间规整（DTW）多元版本中两种已有策略，即独立 DTW 与依赖 DTW，适配于这七种度量。尽管这些度量可应用于各类时间序列分析任务，我们基于最近邻分类器在多元时间序列分类上展示其效用。在 23 个知名数据集上，我们表明除一种外的每种度量至少在某一数据集上相对其他取得最高准确率，支持了开发一套多元相似度与距离度量的价值。我们还展示存在某些数据集，其所有度量的依赖版本比独立版本更准确，或反之。此外，我们构建了基于最近邻的度量集成，并表明其与其他最优的单一策略多元时间序列分类器具有竞争力。
引用
@article{arxiv.2102.10231,
title = {Elastic Similarity and Distance Measures for Multivariate Time Series},
author = {Ahmed Shifaz and Charlotte Pelletier and Francois Petitjean and Geoffrey I. Webb},
journal= {arXiv preprint arXiv:2102.10231},
year = {2023}
}
备注
40 pages, 12 figures