論文の概要: Multiscale Dubuc: A New Similarity Measure for Time Series
- arxiv url: http://arxiv.org/abs/2411.10418v1
- Date: Fri, 15 Nov 2024 18:38:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-18 15:37:37.726083
- Title: Multiscale Dubuc: A New Similarity Measure for Time Series
- Title（参考訳）: Multiscale Dubuc: 時系列の新しい類似度尺度
- Authors: Mahsa Khazaei, Azim Ahmadzadeh, Krishna Rukmini Puthucode,
- Abstract要約: マルチスケールDubuc距離測度を導入し、それがメートル法であることを証明する。
UCR時系列分類アーカイブから95のデータセットを使用して、MDDのパフォーマンスをEuD、LCSS、DTWと比較する。
我々の実験によると、MDDの全体的な成功はケース固有のカスタマイズなしで、データセットごとのウィンドウサイズを最適化したDTWに匹敵する。
- 参考スコア（独自算出の注目度）: 1.024113475677323
- License:
- Abstract: Quantifying similarities between time series in a meaningful way remains a challenge in time series analysis, despite many advances in the field. Most real-world solutions still rely on a few popular measures, such as Euclidean Distance (EuD), Longest Common Subsequence (LCSS), and Dynamic Time Warping (DTW). The strengths and weaknesses of these measures have been studied extensively, and incremental improvements have been proposed. In this study, however, we present a different similarity measure that fuses the notion of Dubuc's variation from fractal analysis with the Intersection-over-Union (IoU) measure which is widely used in object recognition (also known as the Jaccard Index). In this proof-of-concept paper, we introduce the Multiscale Dubuc Distance (MDD) measure and prove that it is a metric, possessing desirable properties such as the triangle inequality. We use 95 datasets from the UCR Time Series Classification Archive to compare MDD's performance with EuD, LCSS, and DTW. Our experiments show that MDD's overall success, without any case-specific customization, is comparable to DTW with optimized window sizes per dataset. We also highlight several datasets where MDD's performance improves significantly when its single parameter is customized. This customization serves as a powerful tool for gauging MDD's sensitivity to noise. Lastly, we show that MDD's running time is linear in the length of the time series, which is crucial for real-world applications involving very large datasets.
- Abstract（参考訳）: 時系列間の類似性を有意義に定量化することは、この分野の多くの進歩にもかかわらず、時系列分析において依然として課題である。
ほとんどの現実世界のソリューションは、Euclidean Distance (EuD)、Longest Common Subsequence (LCSS)、Dynamic Time Warping (DTW)など、いくつかの一般的な手段に依存しています。
これらの対策の長所と短所は広く研究され、漸進的な改善が提案されている。
しかし,本研究では,物体認識において広く用いられているIoU(Intersection-over-Union)尺度と,Dubucのフラクタル解析とを融合した類似度尺度を提案する。
本稿では,MDD(Multiscale Dubuc Distance)測度を導入し,三角不等式などの望ましい性質を有する計量であることを証明する。
UCR時系列分類アーカイブから95のデータセットを使用して、MDDのパフォーマンスをEuD、LCSS、DTWと比較する。
我々の実験によると、MDDの全体的な成功はケース固有のカスタマイズなしで、データセットごとのウィンドウサイズを最適化したDTWに匹敵する。
また、単一のパラメータがカスタマイズされた場合、MDDのパフォーマンスが大幅に向上するいくつかのデータセットも強調する。
このカスタマイズはMDDのノイズに対する感度を高める強力なツールとして機能する。
最後に、MDDの実行時間は時系列の長さで線形であることが示され、これは非常に大きなデータセットを含む現実世界のアプリケーションにとって不可欠である。
関連論文リスト
- DTW+S: Shape-based Comparison of Time-series with Ordered Local Trend [4.6380010540165655]
そこで,同時期に発生し,容易に解釈可能な類似の傾向を求める尺度を開発した。
本稿では,時系列の解釈可能な「閉鎖性保存」行列表現を生成する新しい尺度DTW+Sを提案する。
DTW+Sは,ベースラインと比較して優れたクラスタリングを実現できる唯一の尺度であることを示す。
論文 参考訳（メタデータ） (2023-09-07T09:18:12Z) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳（メタデータ） (2023-01-08T12:20:46Z) - Matrix Profile XXVII: A Novel Distance Measure for Comparing Long Time
Series [18.205595410817327]
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。
論文 参考訳（メタデータ） (2022-12-09T23:02:23Z) - TimesNet: Temporal 2D-Variation Modeling for General Time Series
Analysis [80.56913334060404]
時系列解析は、天気予報、異常検出、行動認識などの応用において非常に重要である。
従来の手法では、1D時系列から直接これを達成しようと試みていた。
複雑な経時的変化を、複数の経時的変化と経時的変化に明らかにする。
論文 参考訳（メタデータ） (2022-10-05T12:19:51Z) - 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) - DTWSSE: Data Augmentation with a Siamese Encoder for Time Series [8.019203034348083]
本稿では,DTWSSE という名前のサイムズエンコーダを用いた DTW に基づく合成マイノリティオーバーサンプリング手法を提案する。
時系列の距離を合理的に測定するために、有効な方法として検証されたDTWを距離計量として用いる。
エンコーダは、DTW隠れ空間からユークリッド深い特徴空間に時系列データをマッピングするニューラルネットワークであり、デコーダを使用して、深い特徴空間をDTW隠れ空間にマッピングする。
論文 参考訳（メタデータ） (2021-08-23T01:46:24Z) - 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) - Exploring Data Augmentation for Multi-Modality 3D Object Detection [82.9988604088494]
ポイントクラウドとイメージに基づくマルチモダリティメソッドは、ポイントクラウドのみを使用するアプローチよりも、わずかに良いか、時には悪いだけである。
トランスフォーメーションフローと呼ばれるパイプラインを提案し、トランスフォーメーションのリバースとリプレイによってシングルモードとマルチモードのデータ拡張のギャップを埋める。
また,本手法は第3回nuScenes検出チャレンジでPKL賞を受賞した。
論文 参考訳（メタデータ） (2020-12-23T15:23:16Z) - A Case-Study on the Impact of Dynamic Time Warping in Time Series
Regression [2.639737913330821]
本研究では,1波長のみを考慮した場合,動的時間ワープ(DTW)が回帰作業の精度向上に有効であることを示す。
k-Nearest Neighbourと組み合わせると、DTWは、時系列のレベルでサンプル間の類似点と相違点を明らかにすることができるという利点が追加される。
しかし、この問題では、このデータは波長の広い範囲で利用できると考えている。
論文 参考訳（メタデータ） (2020-10-11T15:21:21Z) - Benchmarking Multivariate Time Series Classification Algorithms [69.12151492736524]
時系列分類(TSC)は、順序付き、実値付き、属性から離散的なターゲット変数の予測モデルを構築することを含む。
近年,従来の技術よりも大幅に改良された新しいTSCアルゴリズムが開発されている。
本稿では, 深層学習, シェープレット, 単語の袋を用いた MTSC アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-26T15:56:40Z) - Aligning Time Series on Incomparable Spaces [83.8261699057419]
本稿では,Gromov dynamic time warping (GDTW)を提案する。
比較不可能な空間に居住する時系列の調整,合成,比較を行う上での有効性を実証する。
論文 参考訳（メタデータ） (2020-06-22T22:19:28Z)
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。