自适应分段常数近似（ Adaptive Piecewise Constant Approximation，APCA）

最新推荐文章于 2023-03-12 21:31:35 发布
最新推荐文章于 2023-03-12 21:31:35 发布
阅读量2k 收藏 11
点赞数 4
分类专栏： 时间序列
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/Tony_Stark_Wang/article/details/89915394
版权
本文探讨了自适应分段常数近似（APCA）方法在时间序列相似性问题中的研究。通过对时间序列进行局部适应性的维度降低，APCA有效地处理大规模时间序列数据库的索引问题，提高查询效率。
摘要由CSDN通过智能技术生成

    

最低0.47元/天 解锁文章
水木小僧
关注
  • 4
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
A Data-adaptive and Dynamic Segmentation Index for Whole Matching on Time Series
小蚂蚁与大象
06-07 205
时间序列的相似性搜索是许多应用中必不可少的操作。在最先进的方法中，如基于r树的方法，SAX和iSAX，默认情况下，时间序列被全局划分为等长的段，也就是说，所有时间序列都以相同的方式分割。然后，这些方法将重点放在如何近似或表示分段和构造索引上。在本文中，我们做了一个重要的观察:所有时间序列的全局分割可能会在索引时间序列时产生不必要的空间和时间成本。我们开发了一种基于时间序列的数据自适应动态分割指标DSTree。除了节省空间和时间之外，我们的新指数还可以提供时间序列之间距离的严格上界和下界。一项广泛的实证研究表
Locally Adaptive Dimensionality Reduction for Indexing Large Time Series Databases（sigmod2002）
最新发布
小蚂蚁与大象
04-24 182
之前的技术(如SVD、DFT和DWT)为数据库中的所有项目选择一个共同的表示，以最小化全局重建误差，而APCA用一组不同长度的常值段近似每个时间序列，使它们的单个重建误差最小。在大规模时间序列数据库中进行相似性搜索是近年来的研究热点。这是一个困难的问题，因为数据的维数通常很高。最有希望的解决方案是对数据进行维数约简，许多降维技术已经被提出，包括奇异值分解(SVD)、离散傅里叶变换(DFT)和离散小波变换(DWT)。从理论上和经验上比较了APCA与所有其他技术，并证明了其优越性。
时间序列异常检测综述
qq_41322802的博客
02-20 2935
1.Introduction 时序异常检测几个可以运用的点：1.欺诈检测 2.工业数据检测 简介一下：异常检测很久之前就有了 最早可以追溯到. J. Fox. 1972. Outliers in Time Series. Journal of the Royal Statistical Society: Series B (Methodological) 34, 3 (1972), 350–363. 后来经过一段时间的混乱发展时期，现在已经发展基本成熟。离群点 和相关的概念确定的经典作品是...
outlier detection- part2
charie411的博客
05-09 1728
第九章 时间序列和多维流异常诊断 9.1 引言 时序突变诊断：首先数据随时间连续变化，而异常点或异常段表现为对前期数据的突然偏离。在整个时间序列可脱机使用的情况下, 可以利用后视的优势来识别异常时序值或形状。在有多个序列可用的情况下, 可以利用交叉关联, 尽管它们通常对每个序列的分析起次要作用。这是因为时间序列数据是上下文的, 这就对序列值施加了强大的时间局部性。 多维数据中的新颖性和变化检测：...
时间序列：概述【时间序列挖掘领域主要包括：降维表示、相似性度量、相似性检索、分类、聚类、异常检测、预测、可视化】
u013250861的博客
03-26 4348
在各类大数据研究中，有一类数据是按照时间顺序排列、随时间迁移不断变化的，称为时间序列(Time Series)。时间序列广泛的存在于各行各业中，如 医学医疗、金融财经、水文分析、电力等领域。此外，在生物 基因、物体形态识别等与时间顺序无明显关联的数据类型中，也可以按照一定的规则将其转换成时间序列模式，进而利用时间序列数据挖掘技术进行分析。鉴于时间序列具有数据量大、数据维度高、持续积累等特性，如何从中挖掘潜在的规律和信息已经成为学术界与工业界的研究热点。时间序列数据挖掘已经成为了二十一世纪十大最具挑战性数据挖
基于自适应分段广延指数模型的IPTV用户点播行为
01-19
为优化IPTV CDN系统配置，并改善视频调度与存储策略，使得用户获得更优质的视频访问体验，提出了一种基于自适应分段广延指数（adaptive segmental stretched exponential，ASSE）模型的IPTV用户点播行为建模方法。...
WePBAS：用于变化检测的基于像素的加权自适应分段器
03-20
基于像素的自适应分割器（PBAS）是用于更改检测的经典背景建模算法。但是，PBAS方法很难检测动态背景区域中的前景目标。为了解决这个问题，本文提出了一种基于PBAS的加权加权自适应分割器WePBAS，用于变化检测。 ...
自适应滤波器原理（Adaptive Filter Theory）
05-10
第四版 作者：Haykin, S 很有用很实用 不缺页不少页
text2.rar_MPC自适应_adaptive controller_mpc巡航_巡航控制_自适应MPC设计
07-13
2. **自适应控制器（Adaptive Controller）**： 自适应控制是控制理论的一个分支，其核心思想是控制器能够根据被控对象的未知参数或模型不确定性进行自我调整。在MPC框架下，自适应控制可以自动调整控制器参数，以...
分段常数Mumford-Shah模型中的小结构分类
03-08
Mumford–Shah模型是图像恢复和图像分类中非常流行的变体模型。 为简化起见，分段常数Mumford-Shah模型非常有用，并且在最近的二十年中进行了广泛的研究。 关于Mumford-Shah模型的一个有趣的话题是如何选择权重参数进行实施。 本文旨在讨论和分析分段常数Mumford-Shah模型的权重参数选择与删除/保留包括噪声在内的小结构之间的关系。 主要贡献是：（1）为正则项的权重参数提供了必要条件，以消除背景中的小结构。 事实证明，在分段恒定的Mumford–Shah模型中，是否可以从背景中删除小结构取决于两个方面：较小结构的面积与周长之比和其他类别的强度； （2）提供了一个决策策略，如果一个小结构不属于背景，则将其分类为该类； （3）建立了平衡的Mumford-Shah模型，利用该模型可以根据先验知识或用户的目的来选择比例尺测量值（保真度项的权重）
时间序列最常用方法总结（附代码）
Python数据挖掘
03-12 1691
🔴 平时工作中每天都在和时间序列打交道，对时间序列分析进行研究是有必要的🟡 分享和交流一些自己的在时序处理方面的心得，提供一些思路🟢 介绍时序的发展情况，以及目前业界常用的方法🔵 代码希望能模板化，能直接复制过去使用。
tensorflow learning schedule之分段常数衰减用法
qq_44846512的博客
12-30 710
学习率 在梯度下降法中，都是给定的统一的学习率，整个优化过程中都以确定的步长进行更新， 在迭代优化的前期中，学习率较大，则前进的步长就会较长，这时便能以较快的速度进行梯度下降，而在迭代优化的后期，逐步减小学习率的值，减小步长，这样将有助于算法的收敛，更容易接近最优解。故而如何对学习率的更新成为了研究者的关注点。 ​ 在模型优化中，常用到的几种学习率衰减方法有：分段常数衰减、多项式衰减、指数衰减、自然指数衰减、余弦衰减、线性余弦衰减、噪声线性余弦衰减。 本文详细介绍分段常数衰减函数及其用法。 tf.trai
GRAIL Efficient Time Series Representation Learning论文阅读笔记（一）
qq_33654685的博客
02-27 993
GRAIL Efficient Time Series Representation Learning 有效的时间序列表示学习 作者 芝加哥大学的John Paparrizos和Michael J. Franklin PVLDB Reference Format:John Paparrizos and Michael J. Franklin. GRAIL: Efficient TimeSe...
【算法】自适应辛普森(Simpson)算法详解
ezoixx130's Blog
05-21 6094
先来看一道题： 给你三条直线(x=a,x=b,y=0)和一个函数 求该函数图像与这三条直线围成的面积。 【输入】 第一行n,a,b。 第二行n+1个整数A0~An。 【输出】 一行一个整数，即这四条先围成的面积，保留两位小数。 【样例输入1】 2 0 1 1 0 0 【样例输出1】 0.33 【样例输入2】 3 -1 0 1 0 0 0 【样例输出2】 -
分段经验条自适应
weixin_45554040的博客
10-04 231
public Text txtExpPrg; public Transform expPrgTrans; int expPrgVal= (int)(pd.exp*1.0f / PECommon.GetExpUpValByLv(pd.lv))*100; SetText(txtExpPrg, expPrgVal+ “%”); int index=expPrgVal / 10; GridLayoutGr...
An Indexable Time Series Dimensionality Reduction Method for Maximum Deviation Reduction and Simi...
小蚂蚁与大象
06-01 117
An Indexable Time Series Dimensionality Reduction Method for Maximum Deviation Reduction and Simi... 在许多应用中，基于时间序列的相似性搜索是必不可少的。但由于时间序列的高维性，可能会造成维数诅咒。各种降维方法已经被开发出来。他们中的一些人牺牲了最大偏差来获得更快的降维速度。自适应分段线性近似(𝐴𝑃𝐿𝐴)方法使用保证误差范围的最大偏差,但它需要很长时间进行降维。我们提出一个adaptive-length降维
离群点检测与序列数据异常检测以及异常检测大杀器-iForest
张月鹏的博客
08-16 1万+
异常检测，它的任务是发现与大部分其他对象不同的对象，我们称为异常对象。异常检测算法已经广泛应用于电信、互联网和信用卡的诈骗检测、贷款审批、电子商务、网络入侵和天气预报等领域。这些异常对象的主要成因有：来源于不同的模式、自然变异、数据测量以及随机误差等。而常见的异常检测算法都是针对独立的数据点进行异常检测，此时异常检测又称为离群点检测。而在序列数据的异常检测过程中，我们既可以直接使用对序列进行异常检测的算法，也可以先对序列数据进行特征提取然后转化为传统的离群点检测。
基于时间序列的异常检测算法小结
热门推荐
Jasminexjf的博客
03-13 5万+
最近在学习基于时间序列的异常检测算法，看到一篇好文，原文博客地址：http://blog.rexking6.top/2018/11/05/基于时间序列的异常检测/ 以下是相应的知识： 简介 搜罗了网上几乎所有的基于时间序列的异常检测方法，没有包括文献，整理记录一下。 综合引用以下文章： 数据挖掘导论 时间序列异常检测机制的研究 KPI异常检测竞赛笔记 异常检测之时间序列的异常检测 ...
目标验证与运动物体检测跟踪：自适应分段方法的撤回研究
"这篇被撤回的论文名为'目标验证通过新颖的自适应分段用于检测和跟踪运动物体'，由Ching-Shiang Lee、Hsu-Ping Yang和Jing-Wein Wang共同撰写，发表在2018年的《应用科学开放期刊》(Open Journal of Applied ...
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