不同粒度时间序列相似性度量

计算机应用 ›› 2011, Vol. 31 ›› Issue (12): 3285-3287.

不同粒度时间序列相似性度量

邵校莎莎¹,郝文宁²,靳大卫²,王莹³

1. 解放军理工大学工程兵工程学院,南京 210007
2. 解放军理工大学工程兵工程学院，南京 210007
3. 武警海南省总队一支队,海口 570000

收稿日期:2011-06-29 修回日期:2011-08-05 发布日期:2011-12-12 出版日期:2011-12-01
通讯作者: 邵校莎莎

Similarity measurement of time-series data with different granularities

SHAO Xiao-shasha¹,HAO Wen-ning¹,JIN Da-wei¹,WANG Ying²

1. Engineering Institute of Corps of Engineers, PLA University of Science and Technology, Nanjing Jiangsu 210007,China
2. The first Detachment of CAPF Hainan Province Corps, Haikou Hainan 570000,China

Received:2011-06-29 Revised:2011-08-05 Online:2011-12-12 Published:2011-12-01
Contact: SHAO Xiao-shasha

摘要/Abstract

摘要： 现有的时间序列的相似性度量大多基于欧氏距离，并不适用于不同粒度时间序列的相似性匹配，无法直接对其相似性进行有效的度量，为此，提出一种基于对应差值比样本的相似性度量，用于不同粒度时间序列的相似性匹配。首先对不同时间粒度的时序数据进行阐述，并定义了对应差值比样本与相似度计算方法；接着提出基于它们的相似性匹配算法；最后实验证明，该度量能够有效地度量不同粒度时间序列数据的相似性。

关键词: 时间序列, 相似性度量, 时间粒度

Abstract: Most of the existing similarity measurement, based on Euclidean distance, cannot be applied directly and effectively to similarity matching of the timeseries with different granularities. This paper proposed a new similarity measure based on the sample of the corresponding D-value. It firstly expounded the definition of the time-series with different granularities, and defined the sample of the corresponding D-value; secondly it put forward the similarity matching algorithm; finally, the experimental results prove that the algorithm can effectively measure the similarity of time-series with multiple granularities.

Key words: time-series, similarity matching, time granularity

邵校莎莎郝文宁靳大卫王莹. 不同粒度时间序列相似性度量[J]. 计算机应用, 2011, 31(12): 3285-3287.

SHAO Xiao-shasha HAO Wen-ning JIN Da-wei WANG Ying. Similarity measurement of time-series data with different granularities[J]. Journal of Computer Applications, 2011, 31(12): 3285-3287.

[1]	李洋莹, 陈智军, 张子豪, 游兰. 基于改进Elman神经网络的制糖企业原糖需求预测模型[J]. 计算机应用, 2021, 41(7): 2113-2120.
[2]	李国荣, 冶继民, 甄远婷. 基于新的鲁棒相似性度量的时间序列聚类[J]. 计算机应用, 2021, 41(5): 1343-1347.
[3]	杨蒙蒙, 张爱华. 基于灰度共生矩阵和同步正交匹配追踪的分形图像压缩[J]. 计算机应用, 2021, 41(5): 1445-1449.
[4]	曹阳, 闫秋艳, 吴鑫. 不平衡时间序列集成分类算法[J]. 计算机应用, 2021, 41(3): 651-656.
[5]	张凌哲, 黄向东, 乔嘉林, 勾王敏浩, 王建民. 面向时序数据的两阶段日志结构合并树文件合并框架[J]. 计算机应用, 2021, 41(3): 618-622.
[6]	胡立华, 左威健, 聂瑶瑶. 基于加权相似性度量的特征匹配方法[J]. 计算机应用, 2021, 41(2): 511-516.
[7]	周玉彬, 肖红, 王涛, 姜文超, 熊梦, 贺忠堂. 基于动作周期退化相似性度量的机械轴健康指标构建与剩余寿命预测[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3192-3199.
[8]	钱斌, 郑楷洪, 陈子鹏, 肖勇, 李森, 叶纯壮, 马千里. 基于残差连接长短期记忆网络的时间序列修复模型[J]. 计算机应用, 2021, 41(1): 243-248.
[9]	肖勇, 郑楷洪, 郑镇境, 钱斌, 李森, 马千里. 基于多尺度跳跃深度长短期记忆网络的短期多变量负荷预测[J]. 计算机应用, 2021, 41(1): 231-236.
[10]	高世乐, 王滢, 李海林, 万校基. 基于矩阵画像的金融时序数据预测方法[J]. 计算机应用, 2021, 41(1): 199-207.
[11]	马停停, 冀天娇, 杨冠羽, 陈阳, 许文波, 刘宏图. 基于长短时记忆神经网络的手足口病发病趋势预测[J]. 计算机应用, 2021, 41(1): 265-269.
[12]	郭秀婷, 朱昶胜, 张生财, 赵奎鹏. 分形插值在风速时间序列中的应用[J]. 计算机应用, 2020, 40(9): 2628-2633.
[13]	胡珉, 白雪, 徐伟, 吴秉键. 多维时间序列异常检测算法综述[J]. 计算机应用, 2020, 40(6): 1553-1564.
[14]	霍纬纲, 王慧芳. 基于自编码器和隐马尔可夫模型的时间序列异常检测方法[J]. 计算机应用, 2020, 40(5): 1329-1334.
[15]	马伟苹, 李文新, 孙晋川, 曹鹏霞. 基于粗精立体匹配的双目视觉目标定位方法[J]. 计算机应用, 2020, 40(1): 227-232.