用于异常检测与周期检测的鲁棒时间序列相异度度量
机器学习
2022-08-04 v1 信号处理
应用统计
摘要
动态时间规整（DTW）在许多时间序列应用中是一种有效的相异度度量。尽管流行，它易受噪声和异常值影响，导致奇异性问题及度量偏差。DTW 的时间复杂度与时间序列长度呈二次关系，使其在实时应用中不适用。本文提出一种名为 RobustDTW 的新型时间序列相异度度量，以降低噪声和异常值的影响。具体而言，RobustDTW 利用我们设计的时序图趋势滤波，以交替方式估计趋势并优化时间规整。为提高效率，我们提出一种多层框架，在较低分辨率下估计趋势与规整函数，然后在较高分辨率下反复细化。基于所提 RobustDTW，我们进一步将其扩展至周期检测与异常时间序列检测。在真实数据集上的实验证明了 RobustDTW 相比 DTW 变体在异常时间序列检测和周期检测中的优越性能。
引用
@article{arxiv.2206.02956,
title = {Robust Time Series Dissimilarity Measure for Outlier Detection and Periodicity Detection},
author = {Xiaomin Song and Qingsong Wen and Yan Li and Liang Sun},
journal= {arXiv preprint arXiv:2206.02956},
year = {2022}
}