时间序列知识发现中符号聚合近似的统计视角实证研究
机器学习
2015-06-10 v1 信息论
math.IT
摘要
符号聚合近似（SAX）已成为时间序列知识发现在许多任务与应用中的事实标准表示方法。迄今为止，关于从经验上研究SAX字的内在属性和统计力学的成果极少。本文中，我们应用若干统计度量并提出一种新的统计度量，即信息嵌入代价（IEC），以分析符号动力学的统计行为。我们在基准数据集和临床信号上的实验表明，SAX总能降低复杂度，同时以显著的嵌入效率保留嵌入原始时间序列中的核心信息。我们提出的IEC分数提供了先验来判断SAX是否适用于特定数据集，并可推广用于评估其他符号表示。我们的工作提供了一个带有若干统计工具的分析框架，以分析、评估并进一步改进用于时间序列知识发现的符号动力学。
引用
@article{arxiv.1506.02732,
title = {Empirical Studies on Symbolic Aggregation Approximation Under Statistical Perspectives for Knowledge Discovery in Time Series},
author = {Wei Song and Zhiguang Wang and Yangdong Ye and Ming Fan},
journal= {arXiv preprint arXiv:1506.02732},
year = {2015}
}
备注
7 pages, 6 figures. Accepted by FSKD 2015