模式识别与人工智能
2025年4月3日 星期四   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2017, Vol. 30 Issue (4): 314-327    DOI: 10.16451/j.cnki.issn1003-6059.201704003
论文与报告 最新目录| 下期目录| 过刊浏览| 高级检索 |
基于加权动态时间弯曲的多元时间序列相似性匹配方法*
叶燕清 , 杨克巍, 姜江 , 葛冰峰, 豆亚杰
国防科学技术大学 信息系统与管理学院 长沙 410073
Multivariate Time Series Similarity Matching Method Based on Weighted Dynamic Time Warping Algorithm
YE Yanqing, YANG Kewei, JIANG Jiang, GE Bingfeng, DOU Yajie
College of Information System and Management, National University of Defense Technology, Changsha 410073

全文: PDF (4802 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 针对常用方法忽略变量相关性和局部形状特性问题,提出基于加权动态时间弯曲的多元时间序列相似性匹配方法(CPCA-SWDTW).首先,在原加权动态时间弯曲算法基础上,引入形态因子,提出基于形态特征的加权动态时间弯曲算法(SWDTW).然后,提取多元时间序列的主成分作为模式表示,消除变量间的相关性,同时将方差贡献率作为相应主成分的权重.在此基础上,运用SWDTW,度量多元时间序列间的相似度.最后,通过相似性搜索实验表明,CPCA-SWDTW具有较好的准确性和鲁棒性.敏感性分析说明CPCA-SWDTW在一定程度上受到权重函数参数的影响.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
叶燕清
杨克巍
姜江
葛冰峰
豆亚杰
关键词 多元时间序列 相似性匹配 共同主成分分析 加权动态时间弯曲    
Abstract:In most of the current methods, the close correlation between variables and the shape characteristics of time series is neglected. In this paper, a similarity matching method for multivariate time series is proposed based on combined principal component analysis method and a shape-based improved weighted dynamic time warping algorithm(CPCA-SWDTW). Firstly, a shape coefficient is introduced and a shape based weighted dynamic time warping(SWDTW) algorithm is presented. Next, the principal components of multivariate time series are extracted as the representation, and thus the variable correlations can be eliminated. Besides, the variance devoting rate of each principal component is considered as the weight of each series. On the basis of the proposed representation, SWDTW is used to measure the similarity between transformed multivariate time series. Finally, the results of similarity search experiment show that CPCA-SWDTW is more efficient and robust. Moreover, the parameter sensitivity analysis experiment show that CPCA-SWDTW can be affected by the parameters in weight function to some extent.
Key wordsMultivariate Time Series    Similarity Matching    Combined Principal Component Analysis    Weighted Dynamic Time Warping   
收稿日期: 2016-10-15     
ZTFLH: TP 391  
基金资助:国家自然科学基金项目(No.71671186,71571185,71501182)资助
作者简介: 叶燕清,女,1990年生,博士研究生,主要研究方向为模式识别、数据挖掘、知识图谱.E-mail:yeyanqing@nudt.edu.cn.
杨克巍,男,1977年生,博士,教授,主要研究方向为国际采办、需求分析与建模、智能代理仿真.E-mail:kayyang27@163.com.
姜 江(通讯作者),男,1981年生,博士,副教授,主要研究方向为证据推理、不确定性决策、风险分析.E-mail:jiangjiangnudt@163.com.
葛冰峰,男,1983年生,博士,讲师,主要研究方向为冲突消解、多目标规划.E-mail:bingfengge@163.com.
豆亚杰,男,1987年生,博士,讲师,主要研究方向为组合选择决策、多目标规划.E-mail:yajie_nudt@163.com.
引用本文:   
叶燕清 , 杨克巍, 姜江 , 葛冰峰, 豆亚杰. 基于加权动态时间弯曲的多元时间序列相似性匹配方法*[J]. 模式识别与人工智能, 2017, 30(4): 314-327. YE Yanqing, YANG Kewei, JIANG Jiang, GE Bingfeng, DOU Yajie. Multivariate Time Series Similarity Matching Method Based on Weighted Dynamic Time Warping Algorithm. , 2017, 30(4): 314-327.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.201704003      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2017/V30/I4/314
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn