动态时间规整下时间序列的精确索引
信息检索
2020-02-12 v1 机器学习
摘要
动态时间规整(Dynamic Time Warping, DTW)是一种鲁棒的时间序列相似性度量。然而, 它不满足三角不等式且计算复杂度高, 严重限制了其在大规模数据集相似性搜索中的应用。通常, 我们借助下界距离来加速 DTW 下的相似性搜索。遗憾的是, 目前仍缺乏一种能有效度量不等长时间序列且具有理想紧密度的下界距离。本文提出一种新颖的下界距离 LB_Keogh+, 它是序列扩展与 LB_Keogh 的无缝结合。它可用于不等长序列且计算复杂度低。此外, LB_Keogh+ 可将序列扩展到任意合适长度, 而不会显著降低紧密度。接着, 基于 LB_Keogh+ 设计了 DTW 下时间序列的精确索引。然后, 我们引入若干定理并完成相关证明, 以保证相似性搜索中无漏报。最后, 在真实世界数据集上进行了大量实验。实验结果表明, 我们所提方法能以高紧密度和良好剪枝能力执行不等长序列的相似性搜索。
引用
@article{arxiv.2002.04187,
title = {Exact Indexing of Time Series under Dynamic Time Warping},
author = {Zhengxin Li},
journal= {arXiv preprint arXiv:2002.04187},
year = {2020}
}