"该研究关注的是多变量时间序列中的时间序列形状分析,旨在识别和探索动态现象。通过引入‘插曲’的概念,即一个具有多个时变属性的时间间隔,研究提出了针对多变量时间序列的分析方法。这种方法基于识别事件内部变量的时间变化模式,将每个事件表示为这些模式的组合。通过可视化分析技术,可以完成一系列任务,如模式的时间分布分析、模式转换频率以及不同变量模式的共现情况。研究用实际数据,如COVID-19期间的人口流动指标和足球比赛中的运动特征,来展示这种方法的应用。" 详细说明: 1. **多变量时间序列**:这是一种数据结构,用于捕捉一个事件或动态现象随时间变化的多个属性。每个时间点上,事件的每个属性都有一个数值,形成一个多维度的序列。 2. **时间序列形状**:单个数值属性随时间变化形成的序列模式在视觉上表现为几何形状。这些形状有助于人们直观地理解和识别时间序列中的动态模式。 3. **插曲**:研究中提出的新概念,指的是一段具有多个时变属性的时间间隔。插曲有助于理解和描述复杂事件的演变过程。 4. **模式识别**:通过对多变量时间序列中变量变化的分析,识别出事件内部的特定模式。这些模式反映了事件的发展特征。 5. **可视化分析**:利用可视化工具和技术,对识别出的模式进行分析,包括模式的时间分布、模式间的转换频率以及不同变量模式的共现情况。这有助于用户理解大量数据并发现潜在的关联和趋势。 6. **应用案例**:在COVID-19大流行期间的人口流动数据和足球比赛数据中,研究方法得到了验证。人口流动数据揭示了疫情如何影响人们的行为,而足球比赛数据则展示了运动特征如何随时间变化。 7. **分析任务**:包括但不限于分析模式出现的时间分布,探究模式间的转换频率,以及研究不同变量在同一插曲中出现的模式。这些任务提供了深入洞察事件动态的途径。 8. **开放获取**:该研究遵循CC BY许可,意味着文章内容允许自由使用和分享,只要给予原作者适当的署名。 通过以上分析,我们可以看到,这篇研究主要贡献在于提出了一种新的分析框架,结合了多变量时间序列和可视化分析,以理解和探索动态事件中的复杂模式。这种方法对于处理如公共卫生危机、体育赛事等领域的数据分析具有广泛的应用潜力。
剩余14页未读,继续阅读
- 粉丝: 5
- 资源: 2万+
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- zlib-1.2.12压缩包解析与技术要点
- 微信小程序滑动选项卡源码模版发布
- Unity虚拟人物唇同步插件Oculus Lipsync介绍
- Nginx 1.18.0版本WinSW自动安装与管理指南
- Java Swing和JDBC实现的ATM系统源码解析
- 掌握Spark Streaming与Maven集成的分布式大数据处理
- 深入学习推荐系统:教程、案例与项目实践
- Web开发者必备的取色工具软件介绍
- C语言实现李春葆数据结构实验程序
- 超市管理系统开发:asp+SQL Server 2005实战
- Redis伪集群搭建教程与实践
- 掌握网络活动细节:Wireshark v3.6.3网络嗅探工具详解
- 全面掌握美赛:建模、分析与编程实现教程
- Java图书馆系统完整项目源码及SQL文件解析
- PCtoLCD2002软件:高效图片和字符取模转换
- Java开发的体育赛事在线购票系统源码分析