Matrix Profile XXII：DTW 下时间序列模体的精确发现
机器学习
2020-09-18 v1 机器学习
摘要
在过去十年中，时间序列模体发现已成为许多下游分析任务（包括聚类、分类、规则发现、分割和摘要）的有用原语。与此同时，人们越来越认识到动态时间规整（DTW）是众多场景下最佳的时间序列相似性度量。然而令人惊讶的是，几乎没有使用 DTW 来发现模体的工作。对此最明显的解释是，模体发现和 DTW 的使用在计算上均具有挑战性，而当前解决其迟缓问题的最佳机制是互不兼容的。在这项工作中，我们提出了在 DTW 下发现时间序列模体的首个可扩展精确方法。对于我们引入的一种新颖的下界表示层次结构，我们的方法自动在计算时间与下界紧致度之间执行最佳权衡。我们表明，在现实设置下，我们的算法可以容许地剪枝高达 99.99% 的 DTW 计算。
引用
@article{arxiv.2009.07907,
title = {Matrix Profile XXII: Exact Discovery of Time Series Motifs under DTW},
author = {Sara Alaee and Kaveh Kamgar and Eamonn Keogh},
journal= {arXiv preprint arXiv:2009.07907},
year = {2020}
}