时序分类算法——SAX-VSM

SAX-VSM（Symbolic Aggregate Approximation Vector Space Model）是一种用于时间序列分类（TSC）的方法。它结合了SAX（Symbolic Aggregate Approximation）和VSM（Vector Space Model）两种技术。

作用：

1. 降维与符号化：

SAX方法用于将原始时间序列数据转化为符号序列，实现数据降维。

2. 文本挖掘技术：

VSM用于将SAX符号序列视为“文本文档”，并进行TF-IDF（Term Frequency-Inverse Document Frequency）转换。

3. 分类：

通过计算TF-IDF向量间的余弦相似度或其他度量来进行分类。

举例：

假设有两个时间序列A和B，以及一个测试时间序列C。

1. SAX转换：
   - A: [1.2, 2.4, 3.1, 2.8] → 'abcc'
   - B: [2.1, 3.5, 2.8, 1.9] → 'bcba'
   - C: [1.3, 2.5, 2.9, 2.7] → 'abcc'

2. VSM & TF-IDF：
   - 文档集：['abcc', 'bcba']
   - TF-IDF转换后：  
     - A: [0.5, 0.3, 0.2]
     - B: [0.2, 0.4, 0.4]

3. 分类：
   - 计算C（[0.5, 0.3, 0.2]）与A和B的TF-IDF向量的相似度。
   - 假设与A的相似度更高，因此C被分类为与A同一类。

这只是一个简化的例子，供小白理解，实际应用会更复杂。总之，SAX-VSM是一种有效的时间序列分类方法，尤其适用于高维数据。