十二，时间序列趋势相似性度量方法的研究-DPM

十二，时间序列趋势相似性度量方法的研究

• 论文名称：时间序列趋势相似性度量方法的研究-计算机工程与应用，谭章禄，王兆刚，胡 翰.
• 研究对象
  时间序列数据相似性度量
• 研究动机
  
  • 改善和提高基于模式的时间序列趋势相似性度量效果，实现时间按序列的分段模式化，借鉴DTW的动态规划原理，提出一种动态模式匹配方法（DPM）。
• 文献综述
  
  • 相似性度量是数据挖掘的基础，针对时间序列数据的相似性度量是时间序列数据挖掘的研究热点。
  • 欧氏距离和DTW是使用较多的时间序列相似性度量方法，欧氏距离只能度量等长度的时间序列，无法识别变化趋势，DTW弥补了欧氏距离的不足，不过还存在，计算复杂，时间复杂度高。
  • 基于时间序列模式化的相似性度量方法不仅能够在不同压缩率下准确度量序列间的趋势相似性，且相对于DTW方法，其时间消耗大幅降低。
• 研究方案设计
  
  • 选择合适的数据集
  • 对实验数据进行等长分段直线拟合
  • 对选择的数据使用层次聚类方法进行归类分析
  • 欧氏距离，DTW，DPM，进行实验对比分析
• 使用数据集
  使用UCI知识发现数据库档案中的控制图数据，选择其中Normal类的前5个样本数据。
• 研究结论
  
• 学习心得
  近期在计算机工程与应用上发表的文章，研读的目的是DPM是在DTW的基础上计算效率更高，是研究时间序列趋势相似性度量的新方法，新思路。