高度比较的时间序列分析：时间序列及其方法的实证结构
数据分析、统计与概率
2013-05-23 v1 计算机视觉与模式识别
生物物理
定量方法
机器学习
摘要
收集和整理观测集的过程贯穿科学史。然而，尽管科学家们普遍测量、记录和分析不同过程的动力学，但从未对科学时间序列数据和分析方法进行广泛的组织。针对这一问题，本文分析了包含超过 35,000 个真实世界及模型生成的时间序列的标注集合，以及超过 9,000 种时间序列分析算法。我们引入了时间序列的降维表示（基于不同科学方法测得的属性）和时间序列分析方法的降维表示（基于其在实证时间序列上的行为），并利用它们来组织这些跨学科资源。这种跨多样科学数据和方法进行比较的新方法，使我们能够根据属性自动组织时间序列数据集，检索其他学科开发的特定分析方法的替代方案，并自动化选择用于时间序列分类和回归任务的有用方法。我们在脑电图、自仿射时间序列、心跳间隔、语音信号等数据集上展示了这些工具的广泛科学效用，在每种情况下都为现有文献贡献了新颖的分析技术。因此，这种跨跨学科文献进行比较的高度比较技术，可用于指导面向各科学领域应用的时间序列分析中更聚焦的研究。
引用
@article{arxiv.1304.1209,
title = {Highly comparative time-series analysis: The empirical structure of time series and their methods},
author = {Ben D. Fulcher and Max A. Little and Nick S. Jones},
journal= {arXiv preprint arXiv:1304.1209},
year = {2013}
}