在线动态时间规整:加速时间序列数据挖掘的高效方法
174 浏览量
更新于2024-08-26
收藏 756KB PDF 举报
在线和动态时间规整(Online and Dynamic Time Warping, ODTW)是一种在时间序列数据分析领域中的关键方法,由Hailin Li于2013年6月提出并在2014年4月接受并发表。传统的动态时间规整(Dynamic Time Warping, DTW)是一个强大的工具,用于衡量时间序列之间的相似性,尤其在处理非线性和变长序列时表现突出。然而,DTW的计算过程可能较为耗时,特别是在大数据集上。
为了提高DTW的计算效率,李的研究提出了一种在线和动态时间规整的新方法。核心思想是通过滑动窗口技术将一个长时间序列分割成多个较短的子序列,每个子序列之间用一种高效的时间规整算法进行比较。这种方法减少了计算量,使得处理大规模时间序列数据变得更加可行。
在这个新方法中,引入了一个前向因子,它定义了相邻子序列之间的重叠时间规整路径。这个因子确保了相邻子序列之间的匹配路径更接近两个原始序列之间的最佳匹配路径,从而提高了整体的相似度评估精度。这种方法在保持高准确性的前提下,显著提升了时间序列数据挖掘算法的性能。
实证研究表明,与传统的DTW相比,ODTW能够更快且更准确地测量时间序列的相似性,这对于在实时或者大规模数据背景下进行模式识别、异常检测、预测分析等任务具有重要的实际应用价值。因此,ODTW的提出为时间序列数据分析提供了一个有效的工具,有助于优化算法执行效率,推动相关领域的研究和实践发展。
2021-03-04 上传
2021-09-29 上传
2024-01-05 上传
2023-06-10 上传
2023-05-18 上传
2023-05-23 上传
2023-05-04 上传
2023-05-23 上传
2023-12-10 上传
weixin_38632046
- 粉丝: 10
- 资源: 933
最新资源
- 掌握数学建模:层次分析法详细案例解析
- JSP项目实战:广告分类系统v2.0完整教程
- 如何在没有蓝牙的PC上启用并使用手机蓝牙
- SpringBoot与微信小程序打造游戏助手完整教程
- 高效管理短期借款的Excel明细表模板
- 兄弟1608/1618/1619系列复印机维修手册
- 深度学习模型Sora开源,革新随机噪声处理
- 控制率算法实现案例集:LQR、H无穷与神经网络.zip
- Java开发的HTML浏览器源码发布
- Android闹钟程序源码分析与实践指南
- H3C S12500R升级指南:兼容性、空间及版本过渡注意事项
- Android仿微信导航页开门效果实现教程
- 深度研究文本相似度:BERT、SentenceBERT、SimCSE模型分析
- Java开发的zip压缩包查看程序源码解析
- H3C S12500S系列升级指南及注意事项
- 全球海陆掩膜数据解析与应用