基于 Matrix Profile 的时间序列分割技术改进----论文笔记

引言

时间序列分割方法：

• 基于序列统计学特征分割：通常用于处理单个动作，以变化点检测方法为主 ，如决策时，最近邻，隐马尔科夫和高斯混合模型。   利用决策树快速找出分割点；利用文本挖掘中主题模型提取行为模式；利用隐马尔科夫中时间序列内部状态变化识别活动变化等。
• 基于时间序列形状模式的变化点边界分割：目标是发现时间序列数据背后的显著变化。如基于
  相对皮尔逊散度估计的变化点检测算法；基于内核的 Hilbert-Schmidt 独立性准则的检测度量以检测变化点；利用关键点压缩方法表示时间序列, 基于动态时间规整距离完成分割；此外, 基于递归神经网络和时序数据符号化也可判别活动 起止时刻；基于序列形状的特征分割, 形状是用于时间序列分段的另一个独特属性, 利用时间序列形状的模式变化点作为分段的边界；

 主要贡献:

1.  LAC-FLOSS: 改进的基于矩阵轮廓的时间序列分割算法,对现有的基于矩阵轮廓的时间序列分割算法 FLOSS 进行研究, 提出了改进的分割算法 LAC-FLOSS, 该算法利用给弧添加权重形成一种带权弧, 然后通过设置匹配距离阈值来解决弧的跨状态子序列误匹配问题。
2.  IER: 针对基于 CAC 序列提取分割点算法的改进研究。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. 该算法能够避免原分割点提取算法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。

---

预备知识

矩阵轮廓

Matrix Profile的组成：

1. distance profile：最小的标准化欧式距离。
2. profile index：第一个最近邻索引，即最相似子序列位置。

用滑动窗口计算Matrix Profile：

1.  计算窗口大小的子序列相对于整个时间序列的距离
2. 设置排除区域来忽略不重要的匹配
3. 以最小距离值更新distance profile
4. 设置第一个最近邻居索引profile index

·······没更完