[发明专利]一种基于LAC-FLOSS算法和IER算法的时间序列分割方法

说明书

本发明公开了一种基于LAC‑FLOSS算法和IER算法的时间序列分割方法，涉及时间序列数据分割方法。本发明提出了改进的基于Matrix Profile的限制弧跨越的时间序列分割算法LAC‑FLOSS，该算法利用给弧添加权重形成带权弧，然后通过设置匹配距离阈值来解决弧的跨状态的子序列误匹配问题。本发明还利用CAC序列的形状特征，从波谷中提取极小值，进而提出改进的提取分割点算法IER。该算法能够避免现有的分割点提取算法ER使用窗口在非拐点处取到分割点，提升提取分割结果的准确性，通过与ER算法进行对比，验证了IER提取分割点的效果要优于算法ER。

技术领域

本发明涉及时间序列数据分割方法，具体涉及一种基于LAC-FLOSS算法和IER算法的时间序列分割方法。

背景技术

时间序列分割是时间序列相关研究领域的重要预置步骤，为进一步分析时间序列提供了良好的支撑。时间序列分割主要应用于人体活动分析、体感游戏、轨迹预测以及人体活动异常检测等。

目前比较热门的基于Matrix Profile的时间序列分割技术是针对连续的动作进行划分，由快速低代价语义分割(Fast Low-cost Semantic Segmentation，FLOSS)算法和分割点提取算法(Extract Regimes，ER)构成。与大多处理时间序列分割的方法不同，它是领域独立的，不会限制在特定的领域使用，并且能够轻松处理流式数据，具备随时即用的特性，即能够直接处理给定的时间序列，不需要提前进行复杂的数据处理。

FLOSS算法的基本思想是，给定待分割时间序列，首先计算出该序列对应的矩阵轮廓(Matrix Profile，MP)和矩阵轮廓索引(Matrix Profile Index，MPI)，矩阵轮廓索引中记录每一个子序列的最相似子序列(也称最近邻)索引，即匹配过程中当前子序列弧指向的索引。由于是最相似匹配，那么具有最相似形状的子序列会匹配到一起，如图1所示，每一个子序列都会去匹配和自己最相似的子序列，弧即表示两个子序列的匹配。

矩阵轮廓索引记录了子序列指向另一个最相似子序列的索引，这里的弧表示两个子序列进行最相似匹配，然后使用FLOSS算法统计穿过每个索引位置上的弧数。弧会穿过至少一个索引，一条弧也可能会被统计到多个索引上，最后得到每个索引位置上穿过的弧数量集合，形成弧跨越数(Arc Curve，AC)序列。每个索引上都有统计得到的数据，在活动状态转变的边缘处这个数量相较于状态内部会低很多，在形状上面的表现则是会形成波谷，这样最终得到的数据称作AC序列，可以看出AC序列的两端同样是趋近于0，为了防止AC序列两端的影响，对AC序列进行了纠正处理形成纠正弧跨越(Corrected Arc Crossings，CAC)序列，如图2所示。

图2是使用FLOSS算法得到的CAC序列，最后在CAC序列上使用ER算法提取分割点，这些分割点即表示分割原始数据的分割边界，然后根据该序列结合子序列长度设置一个排除域(Exclusion Region)，每次从该序列中提取最小值，然后利用排除域将该值周围附近的值排除在下一次的分割点搜索范围外，提取到R-1个分割点停止，R表示状态数。

以上技术通常存在以下问题：1、FLOSS算法在计算Matrix Profile时，子序列互相匹配的过程中出现弧跨越不同状态去匹配相同状态的问题，导致得到的CAC序列丢失大量可以用于提取分割点的特征，所以分割效果不好。2、ER算法使用排除域窗口提取CAC序列最小值时，当窗口处在一条斜率不断变大或者不断变小的曲线处，就无法保证取到的最小值是分割点的位置，导致提取出的分割结果与真实结果会出现较大的误差，提取效果不佳。

发明内容

针对现有技术存在的问题，本发明提供了一种基于改进的基于Matrix Profile的限制弧跨越的时间序列分割算法LAC-FLOSS(Limit Arc curve Cross-FLOSS)和改进的提取分割点算法IER(Improved Extract Regimes)的时间序列分割方法，旨在提升时间序列分割的准确率。