Plato：基于压缩时间序列的近似分析及其紧致确定性误差保证
数据库
2019-09-17 v2
摘要
Plato 通过预计算并存储压缩时间序列，对时间序列提供快速的近似分析。Plato 的关键创新在于为时间序列分析提供紧致的确定性误差保证。Plato 可对任意由向量上的线性代数算子与算术算子构成的时间序列表达式进行求值。这一广泛的表达式范围涵盖了诸如相关与互相关表达式等常见用例。每条时间序列通过定长分段或（通常更有效的）变长分段进行分割。每个分段由一个来自用户所选函数族、逼近实际值的估计/压缩函数压缩，正如许多先前工作所介绍的那样。其新颖之处在于，Plato 为每个分段关联 1 至 3 个（视情况而定）预计算的误差度量，并利用它们为基于压缩数据的分析计算紧致的确定性误差保证。重要的是，某些压缩函数族可带来更好的确定性误差保证。本工作识别出两类广义估计函数族（向量空间（VS）与线性可缩放族（LSF）），它们可带来理论与实践中高质量的保证，即便对于组合多条独立压缩、因而可能采用未对齐分段的时间序列的表达式（例如相关性）也是如此。“高质量”的理论方面由振幅无关（AI）性质清晰刻画：AI 保证不依赖于所涉及时间序列的振幅，即便在组合多条时间序列时亦然。在四个真实数据集上的实验表明，当新颖的 AI 保证适用时，近似查询结果被证明与真实结果非常接近（通常误差为 1%）。
引用
@article{arxiv.1808.04876,
title = {Plato: Approximate Analytics over Compressed Time Series with Tight Deterministic Error Guarantees},
author = {Chunbin Lin and Etienne Boursier and Yannis Papakonstantinou},
journal= {arXiv preprint arXiv:1808.04876},
year = {2019}
}