自由同余：时间序列数据扩展相似性测度的探索
机器学习
2021-01-22 v1
摘要
时间序列相似性测度在训练机器学习模型、分类和预测建模等广泛新兴应用中高度相关。时间序列的标准相似性测度最常涉及逐点距离测度，包括欧氏距离和动态时间规整。此类相似性测度从根本上要求被比较时间序列中数值的波动遵循相应的顺序或节奏才能确立相似性。本文受一种更宽泛相似性定义的探索所推动，即该定义考虑时间序列片段的统计属性集合之间纯粹的数值相似性，而不论数值标签如何。此外，即便以置换顺序出现，也检验了时间序列片段间共同模式成分的存在，而这不一定满足更常规的逐点距离测度的标准。结果在相同数据上与动态时间规整进行了比较以提供参照。令人惊讶的是，对统计属性集合间数值相似性的检验，在所使用特定数据和样本量下，比动态时间规整为下降年份的配对确立了更强且具有更高统计显著性的相似性。
引用
@article{arxiv.2101.08659,
title = {Free congruence: an exploration of expanded similarity measures for time series data},
author = {Lucas Cassiel Jacaruso},
journal= {arXiv preprint arXiv:2101.08659},
year = {2021}
}