时序数据挖掘：现状、挑战与应用前景

本文主要探讨了时序数据挖掘概述，由蒋涛、冯玉才、朱虹和李国徽四位作者共同撰写，发表于华中科技大学计算机科技与技术学院。论文重点关注时间序列相似搜索这一关键领域，该技术在DNA序列分析、金融数据分析、传感器网络监控、移动对象跟踪以及运动捕获等多个应用场景中展现出巨大的潜力，被认为是未来信息技术的重要发展方向。 论文首先回顾了时间序列相似搜索技术的发展历程，自1993年R.Agrawal等人提出的时序相似搜索和1994年C.Faloutsos等人提出的子序列相似搜索方法以来，该领域得到了广泛关注。全球范围内，包括IBM、Maryland大学、加州大学以及多个研究团队如Carnegie Mellon大学和韩国的研究机构，都在积极投入研究，尤其在国际知名学术会议（如SIGMOD、VLDB、PODS、ICDE）和期刊（如ACMTODS、IEEE TKDE、VLDB Journal）上发表了大量高质量研究成果。 文章将时序相似搜索研究分为两个阶段：一般化的时序相似搜索，即基础理论和技术的探讨，以及深入广泛领域的时序相似搜索，如序列模式搜索、相关性搜索、时序聚类和分类以及异常检测等。每个方面都结合具体的应用背景进行了详尽的分析，不仅介绍了各自的优点，也指出了潜在的问题和挑战。 尽管我国在时序数据挖掘领域的研究起步相对较晚，但在复旦大学、浙江大学、中国科技大学等高校以及香港中文大学、香港科技大学、东北大学和南京大学等机构的努力下，近年来在该领域取得了显著进展，但整体上仍存在成果分散的现象。论文呼吁未来的研究者进一步聚焦于解决现有问题，推动技术的创新和发展，以适应不断增长的数据处理需求。 这篇论文为读者提供了一个全面的时间序列相似搜索技术的概览，对相关研究方法和技术进行了深入剖析，并对未来的研究方向给出了启示。对于从事时序数据分析、机器学习或数据挖掘的科研人员和工程师而言，这是一份重要的参考资料。