本文介绍了在机器学习中处理长序列数据的一种策略——时间序列降维。通过使用PAA（分段聚合近似）算法，可以将长序列转化为短序列，降低计算复杂性。然而，PAA可能会导致信息丢失，为此，文章提到了PSO（粒子群优化）算法作为补充，PSO旨在保留原始序列的重要特征，特别是斜率变化显著的点。这两种算法结合使用，可以在保持序列趋势的同时，有效减少数据量。
一、背景介绍
我们知道，对于机器学习算法，一般训练的时间如果太短，可能导致训练效果不好，但是较长时间，比如一天，时间点又太多了，怎么办呢？
办法就是 采用时间序列降维的方式 ， 把长序列映射为短序列 。之后的计算用短序列即可，数据量就会减少很多。具体减少多少，需要评估效果，比如两个点缩为一个点，则总数据量降低一倍，如果三个点合成一个，则降低三倍，以此类推。
下面介绍下一般的 采用时间序列降维算法。
二、PAA
PAA： 分段聚合近似 算法。即基于长序列数据，生成一条短序列数据，使得短序列数据大致和长序列数据的趋势相似。
三、PSO
PSO即 粒子群算法。是对PAA算法计算过程的补充。
由于PAA算法 会丢失一部分信息 ，比如下图：可能经过均值计算，得出的线和原始数据差别比较大。
PSO算法大致是会去找斜率变化比较大的点，要求斜率较大点需要在拟合线的附近，这样原始序列的重要特征就被保留下来了。
参考：
扫一扫
2636
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
