时序宝藏猎手：用于发现洞察的基于内容的时序检索系统
信息检索
2023-11-07 v1 机器学习
摘要
时序数据在金融、医疗和制造等多个领域中无处不在，但其特性可能因所属领域而有显著差异。具备基于内容的时序检索（CTSR）能力对于识别未知时序样本至关重要。然而，现有CTSR工作通常聚焦于从单一领域数据库中检索时序，若用户不知查询时序的来源则显得不足。这一局限促使我们研究数据库包含多领域时序场景下的CTSR问题。为推进该研究，我们引入一个CTSR基准数据集，涵盖运动、电力需求和交通等多种领域的时序数据。该数据集来源于公开可用的时序分类数据集档案，便于领域内研究者获取。我们利用该基准数据集比较了几种流行的时序建模与检索方法。此外，我们提出了一种优于现有方法的距离学习模型。总体而言，我们的研究凸显了跨多领域解决CTSR问题的重要性，并为未来研究提供了有用的基准数据集。
引用
@article{arxiv.2311.02560,
title = {Temporal Treasure Hunt: Content-based Time Series Retrieval System for Discovering Insights},
author = {Chin-Chia Michael Yeh and Huiyuan Chen and Xin Dai and Yan Zheng and Yujie Fan and Vivian Lai and Junpeng Wang and Audrey Der and Zhongfang Zhuang and Liang Wang and Wei Zhang},
journal= {arXiv preprint arXiv:2311.02560},
year = {2023}
}