现代时间序列相似性分析方法综述与比较

本文档深入探讨了时间序列相似性分析方法的研究，尤其是在经典方法的基础上，关注了若干现代代表性技术的发展。作者汤胤以暨南大学管理学院的背景，通过对移动平均法（Moving Average）、指数平滑法（Exponential Smoothing）、Box-Jenkins的ARMA/ARIMA方法等传统手段的分析，揭示了它们在时间序列预测中的核心原理和应用场景。 ARMA方法作为当前最为广泛采用的时间序列预测工具，其基于历史模式预测未来短期趋势的理念在短期内表现出了有效性。然而，对于长期预测，这种假设可能不再适用，因为未来并不完全受过去模式的决定。此外，文中提到了其他经典方法，如GeandSmith的可变形马尔可夫模板，它允许序列在一定程度上变化但仍保持相似性；还有贝叶斯模型，它利用概率统计来处理不确定性；以及模糊集方法，这些方法引入了模糊逻辑的概念，增加了分析的灵活性。 随着大数据时代的到来，海量时间序列数据的存储和处理成为挑战。文档特别强调了在高维时间序列数据库背景下，经典方法的索引结构在效率上的局限性，暗示了对更高效、适应复杂数据结构的新方法的需求。因此，论文不仅梳理了现有技术的优缺点，还试图填补这一空白，通过分析现代时间序列相似性分析方法，如基于机器学习的深度学习模型、动态时间规整(DTW)、局部自回归模型(LSTM)等，旨在为时间序列分析研究提供一个全面且前沿的视角。 这篇论文提供了一个系统性的回顾，旨在帮助读者理解和比较不同时间序列相似性分析方法，以便在实际应用中做出明智的选择，并为未来研究方向指明了新的探索领域。这对于从事时间序列数据分析、机器学习或数据挖掘的专业人士来说，是一份重要的参考资料。