文章目录
- 1 摘要
- 2 介绍——针对多元时间序列相似度量
- 2.1 目前常见的多元时间序列特征提取方法
- 3 步骤分析
- 3.1 归一化
- 3.2 采用皮尔逊相关系数，算相关性
1 摘要
一种基于变量相关性的多元时间序列相似性搜索方法。
步骤一：对多元时间序列进行归一化处理
步骤二：计算序列间数据间的皮尔逊相关系数
步骤三：以皮尔逊相关性为基础，使用OPTICS聚类，将趋势相似的变量聚成类
步骤四：提取聚类后每个类的中心序列，用中心序列代表该类
步骤五：最后对所有中心序列进行PAA特征提取，获得多元时间序列的特征表示数列
步骤六：计算特征表示后的多元时间序列间的DTW距离，找出相似序列。
2 介绍——针对多元时间序列相似度量
- 很多一元时间序列相似度量的方法，无法直接用于多元时间序列的研究（如最长公共子序列、编辑距离等等）
- 使用于多元时间序列的相似度量方法（如动态时间弯曲、欧式距离等），往往无法平衡计算效率与查询准确率之间的矛盾
2.1 目前常见的多元时间序列特征提取方法
- 主成分分析(CPCA)
- 多维分段拟合
- 奇异值分解(SVD)
- 特征点提取
3 步骤分析
3.1 归一化
- 具体的说，就是选择两条时间序列（别整什么“多元，俩就是俩”）（这里貌似是有m条时间序列，好的先不管，先用两条去分析）
- 归一化之后，得到的是两条序列，不等长，每个序列的数据值都在[0, 1]
3.2 采用皮尔逊相关系数，算相关性
- “计算所有变量间的相关性” —— 请问变量是指什么？
- 每一个时间点的数据，都是一个变量。
举个例子说，两条序列，序列A有2万个数据（每小时一个水位值），序列B有3万个数据（每小时一个水位值），那么用皮尔逊相关性分析来说，就是一个2万 * 3万的矩阵。矩阵中的每一个值，就是横坐标与纵坐标之间的皮尔孙相关性。
- 那么上图说，“根据变量间的相关性判断两变量是否可以归为一类”， 这一句话是真的读不懂了…怎么能把两个时间序列中某两个点，或者多个点，归为一类呢？
