时间序列特征表示及相似性度量方法研究的中期报告.docx

时间序列特征表示及相似性度量方法研究的中期报告
中期报告：时间序列特征表示及相似性度量方法研究
一、研究背景和意义
时间序列数据是生活中常见的一种数据形式，如股票价格、天气变化、心电图数据等。时间序列的特征表示和相似性度量是时间序列数据挖掘和机器学习的关键问题之一。在时间序列分类、聚类、预测和异常检测等应用中，需要对时间序列进行特征提取和相似性度量，以便于数据的进一步处理和挖掘。因此，研究时间序列特征表示和相似性度量方法，具有非常重要的理论和实际意义。
二、研究内容和进展
1.时间序列特征表示方法研究
时间序列的特征表示对于时间序列数据的建模和识别具有重要意义。现有的时间序列特征表示方法主要包括基于时域的方法和基于频域的方法两种。时域方法以时间序列样本的原始数据为基础，通过统计量、变换和时序模型等方式，提取出时间序列的各种特征；频域方法则通过傅里叶变换等方式将时域序列变换到频域，然后提取频域的各种特征。目前，时域方法和频域方法在时间序列特征表示方面都取得了不错的成果。
2.时间序列相似性度量方法研究
时间序列相似性度量主要是比较不同时间序列之间的相似程度，是时间序列挖掘和机器学习中的一个关键问题。时间序列相似性度量方法主要分为两大类：基于距离的方法和基于相似性的方法。基于距离的方法通常采用欧式距离、曼哈顿距离、DTW距离等方式，比较时间序列之间的距离差；基于相似性的方法则可以使用相关系数、互信息等方式，直接比较时间序列之间的相似性。近年来，概率模型和深度学习应用于时间序列相似性度量，取得了一定的成果。
三、未来工作计划
本课题的未来工作计划主要包括以下几个方面：
1.探索新的时间序列特征表示方法，如基于深度学习的方法；
2.研究时间序列相似性度量的关键问题，如噪声干扰下的相似性度量、多维时间序列相似性度量等；
3.探索时间序列相似性度量与时间序列分类、聚类、预测和异常检测等的关系和应用；
4.发掘时间序列数据挖掘的新应用场景和方法。
四、参考文献
[1]KeoghE,KasettyS.Ontheneedfortimeseriesdataminingbenchmarks:Asurveyandempiricaldemonstration[J].DataMiningandKnowledgeDiscovery,2003,7(4):349-371.
[2]WangX,MueenA,DingH,etal.Experimentalcomparisonofrepresentationmethodsanddistancemeasuresfortimeseriesdata[J].DataMiningandKnowledgeDiscovery,2013,26(2):275-309.
[3]BagnallA,LinesJ,BostromA,etal.Time-seriesclassificationwithCOTE:Thecollectiveoftransformation-basedensembles[J].IEEETransactionsonKnowledgeandDataEngineering,2017,29(9):1913-1927.
[4]BatistaGE,WangX,KeoghEJ,etal.Acomplexity-invariantdistancemeasurefortimeseries[C]//DataMining(ICDM),2011IEEE11thInternationalConferenceon.IEEE,2011:1-10.
[5]LinJ,KeoghE,WeiL,etal.ExperiencingSAX:anovelsymbolicrepresentationoftimeseries[C]//DataMining(ICDM),2003IEEEInternationalConferenceon.IEEE,2003:79-86.