多元时间序列分析：飞行数据中的相似模式查询研究

"这篇论文研究了多尺度非均匀渐进网格压缩编码在处理飞行数据中的应用，特别是针对多元时间序列的相似性搜索。通过奇异值分解(Singular Value Decomposition, SVD)技术提取特征，利用奇异值距离过滤来获取相似模式的候选集，并构建了一种基于坐标变换的多元时间序列相似性度量模型。这种方法能够实现在候选集上的精确匹配，以找出最终的相似结果。论文还探讨了相似子序列的冲突消解策略，分析了查询的完备性问题，提出了融入先验规则以减少误判和提升查询效率的策略。实验在真实飞行数据上验证了方法的有效性，展示了其在信息处理、时间序列分析和智能决策领域的潜在价值。" 本文首先介绍了时间序列相似性搜索的重要性和历史背景，强调了多元时间序列在现实世界的广泛应用，如飞行数据分析。作者们提出了一种针对多元时间序列的相似性查询方法，特别是在处理飞行数据中的应用。他们利用SVD对飞行数据序列进行特征提取，这是一种有效的矩阵分解技术，能够揭示数据的主要结构和模式。接着，通过奇异值距离过滤，他们能筛选出相似模式的候选集，为后续的精确匹配奠定基础。 为了量化多元时间序列之间的相似性，他们设计了一个基于线性空间中坐标变换的模型。这个模型使得在候选集上可以执行精确匹配，从而获得最终的相似结果。然而，论文指出这种方法可能存在误判的风险，因为相似子序列的冲突可能会影响查询的准确性。为了解决这个问题，作者们提出了一个冲突消解策略，以及结合先验规则的方法，这有助于减少误判并提高查询效率。 论文的实验部分使用了真实的飞行数据，结果显示，所提出的方法能够有效地识别飞行中的关键动作，这对于飞行训练的评估和飞机维护具有重要意义。此外，实验结果进一步证明了该方法在处理大规模、高维度的多元时间序列数据时的可行性和效率。 作者包括毛红保、张凤鸣、冯卉和吕慧刚，他们分别在信息处理、时间序列分析和智能决策方面有着不同的研究背景和贡献。这篇论文是由空军工程大学工程学院科研创新基金资助的研究成果。 这篇论文研究了多元时间序列的相似性搜索，通过SVD和坐标变换构建了一种有效的方法，解决了查询效率和误判的问题，为飞行数据的分析提供了新的思路和技术支持。