时间序列数据挖掘（Times Series Data Mining）

时间序列数据挖掘(Times Series Data Mining)

什么是时间序列？

时间序列是按时间顺序进行的观测的集合，与大多数类型的数据相比，时间序列更易于观察和直观。许多不是真实时间序列的数据类型可以有效地转换为时间序列，包括DNA、语音、纹理、核心样本、ASCII文本、历史笔迹、小说甚至形状。

时间序列的相似性度量

相似性度量比较两个时间序列，产生一个值表示他们的相似性。
同步措施：
欧式距离（Euclidean Distance）
相关系数（Correlation Coefficient）
余弦相似性（Cosine Similarity）
弹性措施：
动态时间规整（Dynamic Time Warping）
编辑距离（Edit Distance）
最大公共子序列（Longest Common Subsequence）

欧式距离（Euclidean Distance）

相关系数（Correlation Coefficient）

欧式距离与相关系数的关系

推导如下：

动态时间规整算法

算法描述

动态时间规整算法(Dynamic Time Warping)，是一种衡量两个长度不同的时间序列的相似度的方法。在大部分的学科中，时间序列是数据的一种常见表达形式。对于时间序列的处理来说，普遍任务就是比较两个序列的相似性。

Motif Discovery（相似模式挖掘）

异常检测