論文の概要: Matrix Profile XXVII: A Novel Distance Measure for Comparing Long Time
Series
- arxiv url: http://arxiv.org/abs/2212.06146v1
- Date: Fri, 9 Dec 2022 23:02:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 13:44:08.086833
- Title: Matrix Profile XXVII: A Novel Distance Measure for Comparing Long Time
Series
- Title(参考訳): Matrix Profile XXVII: 時系列比較のための新しい距離測定器
- Authors: Audrey Der, Chin-Chia Michael Yeh, Renjie Wu, Junpeng Wang, Yan Zheng,
Zhongfang Zhuang, Liang Wang, Wei Zhang, Eamonn Keogh
- Abstract要約: 本稿では,シリーズにおけるパターン表現比較(Pattern Representation Comparison in Series)の略であるPRCISを紹介する。
PRCISは長い時系列の距離測定であり、辞書で時系列を要約する能力の最近の進歩を生かしている。
- 参考スコア(独自算出の注目度): 18.205595410817327
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The most useful data mining primitives are distance measures. With an
effective distance measure, it is possible to perform classification,
clustering, anomaly detection, segmentation, etc. For single-event time series
Euclidean Distance and Dynamic Time Warping distance are known to be extremely
effective. However, for time series containing cyclical behaviors, the semantic
meaningfulness of such comparisons is less clear. For example, on two separate
days the telemetry from an athlete workout routine might be very similar. The
second day may change the order in of performing push-ups and squats, adding
repetitions of pull-ups, or completely omitting dumbbell curls. Any of these
minor changes would defeat existing time series distance measures. Some
bag-of-features methods have been proposed to address this problem, but we
argue that in many cases, similarity is intimately tied to the shapes of
subsequences within these longer time series. In such cases, summative features
will lack discrimination ability. In this work we introduce PRCIS, which stands
for Pattern Representation Comparison in Series. PRCIS is a distance measure
for long time series, which exploits recent progress in our ability to
summarize time series with dictionaries. We will demonstrate the utility of our
ideas on diverse tasks and datasets.
- Abstract(参考訳): 最も有用なデータマイニングプリミティブは距離測定である。
効果的な距離測定により、分類、クラスタリング、異常検出、セグメンテーション等を行うことができる。
単一事象の時系列ユークリッド距離と動的時間ゆがみ距離は極めて効果的であることが知られている。
しかし、周期的挙動を含む時系列の場合、そのような比較の意味的意味は明らかになっていない。
例えば、2日間でアスリートのトレーニングルーチンからのテレメトリは非常に似ています。
2日目はプッシュアップやスクワットの順序を変えたり、プルアップの繰り返しを加えたり、ダンベルカールを完全に省略したりできる。
これらの小さな変更は、既存の時系列距離測定を破ることになる。
この問題に対処するためにいくつかのバッグ・オブ・フェイルズ法が提案されているが、多くの場合、類似性はこれらの長い時系列内の部分列の形状に密接に結びついていると論じる。
この場合、要約的な特徴は識別能力に欠ける。
本稿では,パターン表現比較(Pattern Representation Comparison in Series)の略であるPRCISを紹介する。
PRCISは長い時系列の距離測定であり、辞書で時系列を要約する能力の最近の進歩を生かしている。
さまざまなタスクやデータセットに対する私たちのアイデアの有用性を実演します。
関連論文リスト
- TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [70.38241681764738]
時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。
本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
論文 参考訳(メタデータ) (2024-02-04T13:10:51Z) - Fuzzy clustering of circular time series based on a new dependence
measure with applications to wind data [2.845817138242963]
時系列クラスタリングは、多くの分野のアプリケーションに欠かせない機械学習タスクである。
円列間の距離を導入し、クラスタリング手順を構築するために使用する。
ファジィアプローチが採用され、各系列を異なる会員度を持つ複数のクラスタに配置することができる。
論文 参考訳(メタデータ) (2024-01-26T12:21:57Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation
for Time Series [49.992908221544624]
時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。
従来の深層学習法は時系列計算に有効であることが示されている。
本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
論文 参考訳(メタデータ) (2023-12-03T05:52:30Z) - Continuous-time convolutions model of event sequences [53.36665135225617]
イベントシーケンスデータの巨大なサンプルは、eコマース、ヘルスケア、ファイナンスなど、さまざまなドメインで発生します。
利用可能なデータの量とクライアント毎のイベントシーケンスの長さは典型的には大きいため、長期的なモデリングが必要である。
時間内の事象の一様発生に適した連続畳み込みニューラルネットワークに基づくCOTIC法を提案する。
論文 参考訳(メタデータ) (2023-02-13T10:34:51Z) - A Review and Evaluation of Elastic Distance Functions for Time Series
Clustering [0.0]
9つの一般的な弾性距離測度を記述し,k平均およびkメロイドクラスタリングとの比較を行った。
最も一般的なテクニックである動的時間ワープ(DTW)は、k平均でユークリッド距離よりも悪く、チューニングしても良くない。
我々の結論は、弾性距離測定による時系列のクラスタリングのベンチマークアルゴリズムとして、k-メドイドを用いたMSMを推奨することである。
論文 参考訳(メタデータ) (2022-05-30T15:32:55Z) - Triformer: Triangular, Variable-Specific Attentions for Long Sequence
Multivariate Time Series Forecasting--Full Version [50.43914511877446]
本稿では,高い効率と精度を確保するために,三角形,可変特性に着目した注意点を提案する。
我々はTriformerが精度と効率の両方で最先端の手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-04-28T20:41:49Z) - Error-bounded Approximate Time Series Joins Using Compact Dictionary
Representations of Time Series [29.83535690719436]
時系列のコンパクトな「辞書」表現を作成することにより、エラー境界付き保証付き時系列間類似結合を効率的に実行可能であることを示す。
医学や交通の分野において,辞書をベースとした時系列間類似性の有用性を実証する。
論文 参考訳(メタデータ) (2021-12-24T06:43:26Z) - Kernel distance measures for time series, random fields and other
structured data [71.61147615789537]
kdiffは、構造化データのインスタンス間の距離を推定するためのカーネルベースの新しい尺度である。
これはインスタンス間の自己類似性と交差類似性の両方を考慮し、距離分布の低い定量値を用いて定義される。
kdiffをクラスタリングと分類問題のための距離尺度として用いた分離性条件について,いくつかの理論的結果が得られた。
論文 参考訳(メタデータ) (2021-09-29T22:54:17Z) - Instance-wise Graph-based Framework for Multivariate Time Series
Forecasting [69.38716332931986]
我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。
私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
論文 参考訳(メタデータ) (2021-09-14T07:38:35Z) - Elastic Similarity Measures for Multivariate Time Series Classification [4.5669999076671655]
弾性類似度測定は、時系列データで動作するように特別に設計された類似度測定のクラスです。
弾性類似度測定は、分類、クラスタリング、外れ値検出などの機械学習タスクで広く使用されている。
論文 参考訳(メタデータ) (2021-02-20T02:24:33Z) - Time Series Alignment with Global Invariances [14.632733235929926]
本稿では,時間的アライメントとともに特徴空間の潜在的大域的変換を学習することにより,特徴空間と時間的変動の両方を考慮した新しい距離を提案する。
この新たな幾何学の下で,時系列バリセンタの計算アルゴリズムを2つ提案する。
シミュレーションデータと実世界のデータの両方に対するアプローチの関心を概説し、最先端の手法と比較して、我々のアプローチの堅牢性を示す。
論文 参考訳(メタデータ) (2020-02-10T15:11:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。