基于Eros的多元时间序列相似度分析

为提高多元时间序列相似性度量的效率,采用扩展Frobenius范数(Eros)的主元分析(PCA)方法,通过主元和本征值构造主元相似因子,用于比较多元时间序列矩阵之间的相似性。为了验证这种方法的有效性,针对三组数据(两个真实数据,一个合成数据)进行了实验。结果表明,该方法相对于以往的欧几里德距离(ED),动态时间弯曲(DTW)相似性度量方法具有一定的优越性。

基于加权Euclid范数的MTS异常检测

为了提高时间序列的异常检测算法的精度,根据主成分的累积贡献率选择序列及其主成分,在k_近邻局部离群点检测算法中采用加权Euclid范数距离作为k_近邻距离,从而实现对多变量时间序列的异常检测。为了验证算法的有效性,对测试数据进行了异常检测。实验结果表明,算法的精度和查全率比传统方法具有更大的优越性。

基于滑动窗口的多变量时间序列异常数据的挖掘

与其它多变量时间序列(MTS)子序列显著不同的子序列,称为异常子序列(含异常数据)。该文提出了一种基于滑动窗口的MTS异常子序列的挖掘算法,使用扩展的Frobenius范数来计算两个MTS子序列之间相似性,使用两阶段顺序查询来进行K-近邻查找,将不可能成为候选异常子序列的MTS子序列剪去,对上海证券交易所股票交易情况MTS数据集进行了异常子序列(含异常数据)挖掘,结果表明了算法的有效性。

一种有效的多元时间序列相似性度量算法分析

为验证Eros距离对MTS数据集相似性度量的有效性,针对不同MTS数据集进行了相似性搜索实验研究.结果表明:相对于其他的传统多元时间序列相似性度量,基于Eros距离的相似性度量方法比传统的方法在查全率-查准率上具有更大的优越性.

多变量时间序列异常样本的识别

多变量时间序列(MTS)在金融、多媒体、医学等领域的应用是非常普遍的.与其它多变量时间序列样本显著不同的样本,我们称之为异常样本.本文提出一种基于局部稀疏系数的多变量时间序列异常样本的识别算法,使用扩展的 Frobenius 范数来计算2个 MTS 样本之间相似性.使用两阶段顺序查询来进行 k-近邻查找,将不可能成为候选异常样本的 MTS 样本剪去.在2个实际数据集上进行实验.实验结果验证算法的有效性.

多变量时间序列例外模式的识别

多变量时间序列(MTS)在金融、医学、科学、工程等领域是非常普遍的.本文提出一种在 MTS 中识别异常模式的方法.采用自底向上的分割算法将 MTS 分割成互不重叠的子序列,使用扩展的 Frobenius 范数来计算2个MTS 子序列之间的相似性,通过 K-均值聚类将 MTS 子序列分为若干个类.根据异常模式的定义,从这若干个类中识别出异常模式.在2个实际数据集上进行实验,实验结果验证算法的有效性.