一种改进的多元时间序列相似性度量方法

"本文提出了一种新的多元时间序列相似性度量方法，旨在解决现有方法在度量准确性和计算效率之间的矛盾。通过多维分段拟合、特征提取以及动态时间弯曲算法的应用，该方法实现了在保证度量准确性的同时降低计算复杂度。实验结果验证了方法的有效性。" 在时间序列分析领域，多元时间序列相似性度量是一个关键问题，尤其在处理大量复杂数据时，如何在保证度量精度的同时提高计算效率成为了一个挑战。传统的相似性度量方法往往在这两方面难以兼顾。文章作者李正欣等人提出了一个创新的解决方案，旨在解决这一矛盾。 首先，他们对多元时间序列进行多维分段拟合。这种分段方法有助于将复杂的连续序列转化为离散的片段，便于后续处理。分段拟合可以捕捉到时间序列中的局部模式和趋势，有助于减少噪声干扰并简化序列结构。 接下来，作者选取每个分段上的序列点的均值作为特征。这个步骤称为特征提取，它减少了数据的维度，降低了计算复杂性，同时保留了序列的主要信息。通过选择均值，可以捕捉到每个分段的整体行为，避免了对个别异常值的过度关注。 最后，利用动态时间弯曲（Dynamic Time Warping, DTW）算法对特征序列进行相似性度量。DTW是一种非线性的时间同步技术，能够处理不同速度的时间序列，寻找两个序列间的最佳匹配路径，从而计算它们的相似度。这种方法允许序列在时间轴上进行伸缩和变形，对于有时间延迟或速度差异的序列特别适用。 实验结果显示，新方法在参数配置上相对简单，而且在保持高测量精度的前提下，有效地降低了计算复杂度。这使得该方法在处理大规模多元时间序列数据时具有更高的效率和实用性，尤其适合实时监控、预测分析以及模式识别等应用场合。 这篇研究为多元时间序列相似性度量提供了一种新的有效方法，通过分段拟合、特征提取和DTW算法的结合，找到了一个度量准确性和计算效率之间的良好平衡。这种方法不仅对于理论研究，也对于实际的工程应用具有重要的价值。