基于合成框架评估时间序列数据的 DTW 测度
机器学习
2024-02-15 v1
摘要
时间序列数据源自各种应用，描述特定观察或随时间有趣的量。其分析通常涉及跨不同时间序列数据序列的比较，这需要对这些序列进行对齐。动态时间归约 (DTW) 是实现两个时序信号最优对齐的标准方法。已提出多种 DTW 变体以满足信号对齐或分类的各种需求。然而，缺乏对这些 DTW 测度在这些时间序列数据处理任务中性能的全面评估。大多数 DTW 测度在特定类型的时间序列数据上表现良好，但缺乏明确的原因解释。为此，我们提出一种合成框架来建模两个时间序列数据序列之间的变化，用于比较。我们的合成框架可以产生逼真的初始信号，并通过可控的变化对其进行变形，模拟真实世界情景。借助该合成框架，我们产生大量具有不同但已知变化的时序序列对，用于评估众所周知的多个 DTW 测度在对齐和分类任务中的性能。我们报告在不同变化下的性能，并建议根据两个时序序列之间类型变化选择合适的 DTW 测度。这首次提出了用于选择合适 DTW 测度的指南。为验证我们的结论，我们将我们的发现应用于现实世界应用，即油气行业形成顶部的检测和流可视化中的模式搜索。
引用
@article{arxiv.2402.08943,
title = {Evaluating DTW Measures via a Synthesis Framework for Time-Series Data},
author = {Kishansingh Rajput and Duong Binh Nguyen and Guoning Chen},
journal= {arXiv preprint arXiv:2402.08943},
year = {2024}
}