改进符号聚合近似方法以捕获分段趋势信息
机器学习
2020-10-05 v1
摘要
符号聚合近似（SAX）是一种非常流行的时序数据符号化降维技术，因为它相较其他降维技术具有若干优势。其主要优势之一是高效性，因为它使用预计算距离。另一主要优势是在 SAX 中，约简空间上定义的距离度量下界于原始空间上定义的距离度量。这使得 SAX 能在按内容查询任务中返回精确结果。然而 SAX 有一个固有缺陷，即无法捕获分段趋势信息。若干研究者试图通过提出改进以纳入趋势信息来增强 SAX。但这以放弃 SAX 的一项或多项优势为代价。本文中，我们研究 SAX 的三种改进，为其添加趋势捕获能力。这些改进在简洁性、高效性以及返回精确结果方面保留了 SAX 的相同特性。它们是基于不同于经典 SAX 所用的时间序列分割方式的简单过程。我们在 45 个具有不同大小、维度和性质的时间序列数据集上，于分类任务中测试这三种改进的性能，并与经典 SAX 比较。我们得到的结果表明，其中一种改进能够优于经典 SAX，另一种略微优于经典 SAX。
引用
@article{arxiv.2010.00730,
title = {Modifying the Symbolic Aggregate Approximation Method to Capture Segment Trend Information},
author = {Muhammad Marwan Muhammad Fuad},
journal= {arXiv preprint arXiv:2010.00730},
year = {2020}
}
备注
International Conference on Modeling Decisions for Artificial Intelligence - MDAI 2020: Modeling Decisions for Artificial Intelligence pp 230-239