涨落模式驱动的时间序列相似性新方法：识别与鲁棒性研究

本文探讨了在时间序列相似性度量领域中的一个创新方法，即基于涨落模式（FP）的度量研究。传统算法往往在识别各种相似性形变方面表现不足，特别是对于振幅伸缩、振幅漂移和线性漂移等变形的敏感性。为了解决这个问题，作者提出了涨落模式的概念，这是一种用于保存原始序列趋势变化信息的特殊表示方式。通过采用最长公共子序列算法来计算涨落模式的相似度，可以有效地消除这些变形对相似性挖掘的影响。 涨落模式的核心思想是将原始序列的趋势信息抽象出来，忽略那些非本质的振幅变化，从而使得度量结果更具有鲁棒性。这种方法旨在提供一种更为稳健的时间序列相似性度量，能够准确地识别出不同形式的相似性，无论它们如何经过变形。 实验部分包括两组实验，一是使用仿真的数据集，用来验证算法的性能；二是采用真实的数据，评估其在实际应用环境下的鲁棒性。实验结果显示，基于涨落模式的方法在识别各类相似性形变上表现出色，证明了其在理论上的有效性。特别是在真实数据场景下，该方法显示出良好的鲁棒性，能够在噪声和数据变异中保持稳定的表现。 此外，文章的作者——王钊教授和汤子健硕士研究生，分别来自合肥工业大学计算机与信息学院，他们的研究方向涵盖了软件体系结构、软件测试技术、信息系统与智能计算以及海量数据处理等领域。他们在时间序列数据挖掘领域有着深入的研究，并且这篇论文也是他们在这个领域的重要贡献，特别是在时间序列相似性度量这一具体问题上的创新思考。 这篇论文不仅提供了一种新的时间序列相似性度量方法，而且还强调了其在实际应用中的鲁棒性和广泛适用性，为相关领域的研究者提供了有价值的参考和改进现有算法的新思路。