Searching and Mining Trillions of Time Series ubsequences under Dynamic Time Warping论文笔记

最新推荐文章于 2024-02-15 17:01:43 发布
最新推荐文章于 2024-02-15 17:01:43 发布
阅读量377 收藏
点赞数
分类专栏： 时间序列分析 文章标签： DTW 时间序列聚类
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/SCS199411/article/details/90759576
版权

Searching and Mining Trillions of Time Series ubsequences under Dynamic Time Warping

KDD 2012 best paper

使用DTW在很长的时间序列中搜索与给定序列最相似的序列

假定(Assumptions)
  • 时间序列的子序列必须被标准化
  • DTW是最好的度量

优化方法——UCR套件

  • Lower Bounding
    在这里插入图片描述
  • Early Abandoning
    在这里插入图片描述

实验结果

本文方法使用C++实现
在这里插入图片描述在这里插入图片描述

更多结果http://www.cs.ucr.edu/~eamonn/UCRsuite.html

结论

  • 数据的标准化很重要
  • DTW在加入UCR套件后，其时间复杂度显著降低
  • DTW的速度与ED相比，还是有差距
SCS199411
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
文献阅读 - Searching and Mining Trillions of Time Series Subsequences under Dynamic Time Warping
Always On The Way
10-20 948
Searching and Mining Trillions of Time Series Subsequences under Dynamic Time Warping T. Rakthanmanon, B. Campana, A. Mueen, et al., Searching and Mining Trillions of Time Series Subsequences under D...
Searching and Mining Trillions of Time Series Subsequences under Dynamic Time Warping 总结
cfdoge的博客
07-05 1677
前言: 本篇总结是对Thanawin Rakthanmanon, Bilson Campana, Abdullah Mueen, Gustavo Batista, Brandon Westover, Qiang Zhu, Jesin Zakaria, Eamonn Keogh 等人在2012年发表在ACM的论文 Searching and Mining Trillions of Time Seri...
Searching and Mining Trillions of Time Series Subsequences under Dynamic Time Wraping
u010863933的博客
07-13 319
ABSTRACT: 大多数序列数据挖掘算法使用相似度搜索作为一下子任务，因此用于相似搜索的时间常常是所有这种挖掘算法的限制所在。在工作界，有许多十亿级时序序列因为上述的限制而等着被解决。在这篇论文中，我们表明4个新颖的想法，这样我们可以第一次搜索和挖掘大量的数据。 1. INTRODUCTION 时序序列被广泛应用于人类的各个方面，包括医疗，金融，科学和娱乐。因此，时序序列获得...
时间序列预测模型实战案例(三)(LSTM)(Python)(深度学习)时间序列预测(包括运行代码以及代码讲解)
Snu77的博客
09-20 5万+
LSTM（Long Short-Term Memory）是一种常用的循环神经网络（RNN）模型，用于处理序列数据，具有记忆长短期的能力。在时间序列预测中，LSTM既可以多元预测机制又可以作为单元预测机制使用。LSTM的预测效果图其中MAE误差为0.15,ME误差为-0.03。,LSTM作为多元预测机制和单元预测机制的优点是可以处理序列数据中的长期依赖关系，从而可以捕捉到数据中的复杂模式和规律。它可以自适应地学习和调整模型参数，从而提高模型的预测性能和泛化能力。
【数据挖掘】使用 LSTM 进行时间和序列预测
gongdiwudu的专栏
07-25 1万+
本文示例是一个典型的时间序列处理办法，可以当作经典来用。读者可以多花一些时间消化该案例；事实表明，用LSTM这种工具不仅可以处理NLP，而且可以针对任何的时间序列，比如股票预测。
Dynamic Time Warping
10-20
T. Rakthanmanon, B. Campana, A. Mueen, et al., Searching and Mining Trillions of Time Series Subsequences under Dynamic Time Warping, KDD (2012) (Best Paper)
Web Searching and Mining
01-01
Web Searching and Mining (Cognitive Intelligence and Robotics) ISBN-10 书号: 9811330522 ISBN-13 书号: 9789811330520 Edition 版本: 1st ed. 2019 出版日期: 2019-02-04 pages 页数: (176) This book ...
Comparison of informed and uninformed searching strategies in a simple obstacle environment
02-09
Comparison of informed and uninformed searching strategies in a simple obstacle environment
Analysis and visualization of rotation searching efficiency in two-round rotation based magnetic tracking
02-09
In order to realize a real-time tracking, efficient searching strategies for this maximum-oriented magnetic field rotation must be provided. This paper sets up a novel rotation searching efficiency ...
FASTERSEG SEARCHING FOR FASTER REAL-TIME SEMANTIC SEGMENTATION
06-02
计算机视觉Github开源论文
LSTM模型预测时间序列（快速上手）
热门推荐
Q_M_X_D_D_的博客
10-29 15万+
写在前面 LSTM模型的一个常见用途是对长时间序列数据进行学习预测，例如得到了某商品前一年的日销量数据，我们可以用LSTM模型来预测未来一段时间内该商品的销量。但对于不熟悉神经网络或者对没有了解过RNN模型的人来说，想要看懂LSTM模型的原理是非常困难的，但有些时候我们不得不快速上手搭建一个LSTM模型来完成预测任务。下面我将对一个真实的时间序列数据集进行LSTM模型的搭建，不加入很多复杂的功能，快速的完成数据预测功能。 问题大概如下：某煤矿有一个监测井，我们每20分钟获...
使用LSTM进行时间序列预测
sybh的博客
04-15 1438
LSTM（Long Short-Term Memory）是一种特殊的循环神经网络（RNN），它可以捕捉时间序列中的长期依赖关系，并在时间序列预测任务中取得良好的效果。本文将介绍如何使用 LSTM 模型进行时间序列预测。我们将使用一个气温数据集作为示例数据集，该数据集包含了日均气温的时间序列数据，数据集共有 365 条数据，每条数据对应一年中的一天。我们的任务是根据前一天的气温数据预测当天的气温数据。# 指定模型的超参数接下来，我们定义一个 LSTM 模型，并编译模型：# 定义 LSTM 模型。
异常监测②——lstm时间序列预测&lstm简易原理
Die Luft der Freiheit weht
01-21 1万+
lstm的原理，三个门是怎样作用的，对应的公式是什么
用LSTM进行时间序列预测（单步，多步，单变量，多变量）
Dove_1234的博客
03-03 1万+
LSTM因其具有记忆的功能，可以利用很长的序列信息来建立学习模型，所以用它来进行时间序列的预测会很有优势。 在实际工程中用LSTM进行时间序列的预测主要有两个难点：一是前期对数据的处理，二是初始模型的搭建。
什么是时间序列？怎么用LSTM对时间序列进行预测？LSTM的优缺点是什么？如何对LSTM进行改进？
最新发布
2302_81053261的博客
02-15 2989
Peephole连接（Peephole connections）: 在传统的LSTM中，门控单元的输入仅依赖于隐藏状态和当前输入，而通过添加peephole连接，也将细胞状态引入门控单元的输入中，以增强LSTM模型的建模能力。双向LSTM（Bidirectional LSTM）: 传统的LSTM仅考虑了过去的历史信息，而双向LSTM引入了一个反向LSTM，同时考虑历史和未来的信息，从而更好地捕捉序列中的上下文依赖关系。改进了的LSTM模型可以更好地学习到序列数据中的模式和规律，提高模型的性能和表达能力。
LSTM 详解及 LSTM 解决时间序列预测问题（附代码）
Incalos的博客
04-07 1万+
本文章详细介绍了 LSTM 的基本原理及计算过程，并且提供了基于多层 LSTM 解决时间序列预测问题的项目代码。
LSTM进行时间序列预测——训练，验证，测试
m0_58327216的博客
11-12 1万+
最近一直在忙这个时间序列数据的预测，起初一直搞不清测试集和验证集的作用，最近看了很多资料，稍微有了点理解，基于自己的理解和网上的代码，刚刚基于我的需求跑出了想要的结果，虽然数值上误差还很大，不过老师说预测数据的好坏是比较出来的，所以我现在能跑出个结果还是很大的进步~接下来我就把我的代码放在下面记载一下自己的学习过程。这就好比是数据归一化处理之后，没有反归一化，那么这样预测的数据是没有意义的。这个数据集是我从某个电商插件上收集到的，原数据数据波动其实挺大的，最后用小波分析对数据进行了简单的降噪。
LSTM时间序列预测
qq_53471484的博客
01-20 1515
一、导入数据 时间序列不需要时间（包括一元时间序列和多元时间序列），若有时间则可以将时间删去，同时数据里允许有缺失值。若存在缺失值，则会提供三种方法来解决，一般来说是用三次样条插值。可根据插值后的图像来决定用哪种方法，如果发现样条插值后的图像差异较大，可考虑使用前两种方法，如下图：若是指标较多，可以使用堆叠折线图。选择不同的模式得到的结果不一样，如下图：说白了就是先对模型进行调参，然后将得到的最优参数带入进行训练。调参就是第二种模式，将数据集划分成训练集和测试集，测试集包含的样本数是多少，就有多少样本拿来
LSTM时间序列预测模型——LAI预测
huo980703的博客
05-11 951
时间序列数据是以一定有规律的时间间隔，从而在每个时间段产生一系列相应数据。时间序列的相应问题（这里主要将时序问题预测）是根据前n时刻的数据，从此预测后面时刻的数据。
Reduce the indexing time and CPU load with pre-built Python packages shared indexes
05-11
These indexes can be shared across multiple users and machines, allowing you to avoid the time-consuming task of creating indexes from scratch. Shared indexes can also reduce CPU load by ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值