矩阵轮廓第二十七篇：一种用于比较长时间序列的新型距离度量
机器学习
2022-12-14 v1 人工智能
摘要
最有用的数据挖掘原语是距离度量。借助有效的距离度量，可以进行分类、聚类、异常检测、分割等。对于单事件时间序列，欧氏距离和动态时间规整距离是已知极其有效的。然而，对于包含周期性行为的时间序列，此类比较的语义意义则不甚明确。例如，在两天内，某运动员训练例程的遥测数据可能非常相似。第二天可能改变了俯卧撑和深蹲的执行顺序，增加了引体向上的重复次数，或完全省略了哑铃弯举。任何这些微小变化都会击败现有时间序列距离度量。已有一些词袋特征方法被提出以解决此问题，但我们认为在许多情况下，相似性与这些较长时间序列中子序列的形状密切相关。在此类情况下，汇总特征将缺乏判别能力。本工作中我们引入 PRCIS，即序列中的模式表示比较（Pattern Representation Comparison in Series）。PRCIS 是一种针对长时间序列的距离度量，它利用了近期我们用字典总结时间序列能力上的进展。我们将在多样化任务和数据集上展示我们思想的效用。
引用
@article{arxiv.2212.06146,
title = {Matrix Profile XXVII: A Novel Distance Measure for Comparing Long Time Series},
author = {Audrey Der and Chin-Chia Michael Yeh and Renjie Wu and Junpeng Wang and Yan Zheng and Zhongfang Zhuang and Liang Wang and Wei Zhang and Eamonn Keogh},
journal= {arXiv preprint arXiv:2212.06146},
year = {2022}
}
备注
Accepted at IEEE ICKG 2022. (Previously entitled IEEE ICBK.) Abridged abstract as per arxiv's requirements