[发明专利]一种基于二维变换的时间序列相似性度量方法及系统

说明书

本公开公开了一种基于二维变换的时间序列相似性度量方法及系统，包括：将原始时间序列的观测值由一维空间映射到二维空间；对映射后的时间序列进行归一化处理；统计归一化后的时间序列在二维空间的分布情况，获取空间分布矩阵；基于空间分布矩阵，采用相似性度量函数度量时间序列的相似性。将空间分布作为一个重要的特性，进而提升了时间序列相似性度量的准确性，为绝大部分时间序列数据挖掘任务(例如检索、聚类、分类等)中计算一对时间序列之间的相似/不相似程度提供了一种合适的相似性度量方式。

技术领域

本公开涉及数据处理技术领域，特别是涉及一种基于二维变换的时间序列相似性度量方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

时间序列数据作为一类特殊的大数据，广泛存在于包括商业、金融、医药、天文气象、航空航天等各种不同的应用领域。时间序列(是按时间顺序排列的一组观测值的集合。由于时间序列的数据量大、维度高、更新快以及高噪声等特点，引起来大量研究者的关注。目前时间序列分析在机器学习、数据挖掘以及数据仓库等领域中日益重要。

时间序列数据挖掘从大量的时间序列数据中提取隐藏信息，时间序列数据挖掘一个核心问题是相似性度量。绝大部分时间序列数据挖掘任务(例如检索、聚类、分类等等)都需要找到一种合适的相似性度量方式来计算一对时间序列之间的相似/不相似程度。

由于时间序列具有高维性、自相关、时序偏移和幅值漂移、高噪声等特点，因此很难得到一种有效反映时间序列相似性的度量方法。近年来，研究者提出了若干相似性度量方法用于度量两个时间序列之间的相似性，例如欧拉距离、动态时间归整、加权动态时间规整、最大共同字串等。这些方法通常是基于时间序列的数值特征，而忽视其空间分布特征。

发明内容

为了解决上述问题，本公开提出了一种基于二维变换的时间序列相似性度量方法及系统，将时间序列进行二维变换后将其转换到二维空间，进而通过二维空间分布实现时间序列相似性的度量，解决时间序列难以度量的问题。

为了实现上述目的，本公开采用如下技术方案：

第一方面，本公开提供一种基于二维变换的时间序列相似性度量方法，包括：

将原始时间序列的观测值由一维空间映射到二维空间；

对映射后的时间序列进行归一化处理；

统计归一化后的时间序列在二维空间的分布情况，获取空间分布矩阵；

基于空间分布矩阵，采用相似性度量函数度量时间序列的相似性。

作为可能的一些实现方式，所述映射处理为：

对原始时间序列的每一个观测值映射到二维空间<x_i，y_i>的计算方法为：

其中，t_i为原始时间序列的观测值，n为原始时间序列的长度。

作为可能的一些实现方式，所述归一化处理为：

对于二维映射后的时间序列中的每一个元素<x_i，y_i>进行归一化为<x′_i，y′_i>的计算方法为：