TS3IM：借鉴图像相似度评估洞察揭示时间序列的结构相似性
机器学习
2024-05-13 v1 计算机视觉与模式识别
摘要
在时间序列分析领域，精确度量相似性对于预测、异常检测和聚类等应用至关重要。然而，现有度量标准往往无法捕捉时间序列数据复杂的多维特性，限制了其有效性和应用。本文介绍了时间序列结构相似性指数度量 (TS3IM)，这是一种受图像分析中结构相似性指数度量 (SSIM) 成功启发的新方法，旨在通过评估时间序列的结构相似性来解决这些局限性。TS3IM 评估相似性的多个维度——趋势、变异性和结构完整性——提供了一个更细致、更全面的度量。该度量标准代表了一个重大飞跃，为分析时序数据提供了一个鲁棒的工具，并在监测功耗、分析交通流和对抗性识别等领域提供了更准确、更全面的序列分析和决策支持。我们广泛的实验结果还表明，与严重依赖计算相关性的传统方法相比，TS3IM 在评估结果上与动态时间规整 (DTW) 的相似度高出 1.87 倍，并且在对抗性识别方面提升了超过 50%。
引用
@article{arxiv.2405.06234,
title = {TS3IM: Unveiling Structural Similarity in Time Series through Image Similarity Assessment Insights},
author = {Yuhan Liu and Ke Tu},
journal= {arXiv preprint arXiv:2405.06234},
year = {2024}
}
备注
6 pages, 6 figures