CN116955932B - 一种基于趋势的时间序列分割方法及装置 - Google Patents
一种基于趋势的时间序列分割方法及装置 Download PDFInfo
- Publication number
- CN116955932B CN116955932B CN202311197764.XA CN202311197764A CN116955932B CN 116955932 B CN116955932 B CN 116955932B CN 202311197764 A CN202311197764 A CN 202311197764A CN 116955932 B CN116955932 B CN 116955932B
- Authority
- CN
- China
- Prior art keywords
- sequence
- trend
- points
- distance ratio
- local
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000006073 displacement reaction Methods 0.000 claims abstract description 47
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 230000000630 rising effect Effects 0.000 claims abstract description 8
- 238000012804 iterative process Methods 0.000 claims abstract description 7
- 230000001174 ascending effect Effects 0.000 claims description 30
- 239000000203 mixture Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 18
- 230000008569 process Effects 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000035772 mutation Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 238000006467 substitution reaction Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于趋势的时间序列分割方法及装置，涉及数据处理技术领域。所述方法包括：获取原时间序列，计算整体置换距离比，根据整体置换距离比进行序列的整体趋势识别；若整体置换距离比满足预设条件，则对原时间序列进行局部迭代分解，待非孤立点构成的子序列的个数小于指定值时，结束迭代过程，得到若干波峰点和波谷点；将得到的波峰值点和波谷点加入原时间序列的起始点和结束点，计算每两个区间的局部置换距离比，根据计算得到的局部置换距离比删除具有相同趋势区间的分界点，保留下来的点为上升趋势和下降趋势的分界点，完成序列分割。本发明的优势在于突变点的检测过程简单快速，而且能够忽略局部性的突变点，保留整体趋势变化的关键点。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于趋势的时间序列分割方法及装置。
背景技术
时间序列分割在异常检测、序列标注、连续动作识别、工况分割、数据的分类和聚类领域有大量应用。在一些场景中，序列分割是进一步分析的前提，也决定着具体算法的选择。
时间序列分割一般分为具体动作指导的分割和无具体动作指导的分割。前者一般根据具体场景的实际动作和工况来对时间序列进行分割，这一领域既可以是一维数据的时间序列分割也可以是多元时间序列的分割。后者所述的无具体动作指导并不是说数据不代表任何动作，而是在分割序列的时候不考虑数据所代表的动作，只根据数据的某种特征或形态来划分时间序列，这种分割一般针对单变量的时间序列。
对于一维时间序列分割，这一领域已有大量的研究和技术。其中一个主要方向是基于时间序列的变化点来分割。主要思想是先找到时间序列的上升趋势和下降趋势的分界点，一般来说各种方法面临的一个基本问题是找到的分界点太多，如果以这些分界点来划分时间序列，会导致一个时间序列被分割成过多的区间，而找不到序列的主要特征，这时候就需要对这些分界点进行合并，即将多个分界点退化为几个关键的变化点，找到时间序列宏观的变化特征，进而实现时间序列分割。
作为一维时间序列分割的基础，变点检测的方法也是五花八门，有的是基于平滑和回归的方法，有的是基于局部搜索的方法，还有的是基于统计特征的方法。可以说，这些方法能够在一定程度上找到时间序列的变化点。但是存在一定的缺陷，一是没有对变化点的理论描述，什么样的点才叫做变化点。二是对不同变化点的取舍没有理论化的指导。三是方法不够简明快速。
在变化点合并的过程中，如果是基于上升趋势和下降趋势来合并，现有方法缺少一个对趋势变化的量化标准，导致存在分割不精确的现象。
发明内容
本发明是鉴于以上课题而开发，目的在于提供一种根据时间序列数据上升趋势和下降趋势来分割序列的一种通用方法，同时也提供一种时间序列的变点检测方法与衡量数据趋势变化的量化标准。
基于此，本发明提供了一种基于趋势的时间序列分割方法，包括：
获取原时间序列，计算整体置换距离比，根据整体置换距离比进行序列的整体趋势识别；
若整体置换距离比满足预设条件，则对原时间序列进行局部迭代分解，待非孤立点构成的子序列的个数小于指定值时，结束迭代过程，得到若干波峰点和波谷点；
将得到的波峰值点和波谷点加入原时间序列的起始点和结束点，计算每两个区间的局部置换距离比，根据计算得到的局部置换距离比删除同趋势分界点，保留下来的点为上升趋势和下降趋势的分界点，完成序列分割。
如上所述的一种基于趋势的时间序列分割方法，其中，将原时间序列从小到大重新排列，记新序列的第个元素在原时间序列的索引为/>，/>构成的整数序列是对/>的一个置换，记为序列/>，将/>的置换距离记为原时间序列的置换距离，计算序列/>的置换距离比。
如上所述的一种基于趋势的时间序列分割方法，其中，若整体置换距离比不满足预设条件，则不作序列分割。
如上所述的一种基于趋势的时间序列分割方法，其中，所述预设条件为整体置换距离比大于第一数值或小于第二数值，直接判断为上升序列或下降序列，不做序列分割。
如上所述的一种基于趋势的时间序列分割方法，其中，若整体置换距离比小于第一数值或大于第二数值，则对原时间序列进行局部迭代分解。
如上所述的一种基于趋势的时间序列分割方法，其中，对原时间序列进行局部迭代分解，具体为：对原时间序列做局部分解，在原序列的顺序不变的基础上，将原序列分解成若干局部子序列，保留局部子序列中的最后一个元素构成新序列，进行迭代分解。
如上所述的一种基于趋势的时间序列分割方法，其中，进行迭代分解，具体包括：局部上升分解；局部上升分解迭代停止的条件是非孤立点的上升序列达到指定的阈值，即需要保留的波峰点的个数。
如上所述的一种基于趋势的时间序列分割方法，其中，进行迭代分解，具体包括：局部下降分解；局部下降分解迭代停止的条件是非孤立点的下降序列达到指定的阈值，即需要保留的波谷点的个数。
如上所述的一种基于趋势的时间序列分割方法，其中，根据计算得到的局部置换距离比删除同趋势分界点，具体包括：
根据局部置换距离比确定每个区间为上升趋势或下降趋势；
若连续两个区间的趋势相同，则删除中间的分界点；
若区间的长度小于指定值，则合并相邻区间再次计算合并区间的第三置换距离比，根据第三置换距离比确定合并区间的上升趋势或下降趋势，若连续两个区间的趋势相同，则删除中间的分界点。
本发明还提供一种基于趋势的时间序列分割装置，包括：所述装置执行上述任一项所述的一种基于趋势的时间序列分割方法。
本发明实现的有益效果如下：本发明首次提出置换距离比的概念，提供一种序列趋势的量化标准，本发明的优势在于突变点的检测过程简单快速，而且能够忽略局部性的突变点，保留整体趋势变化的关键点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种基于趋势的时间序列分割方法流程图；
图2是本发明实施例二提供的一种基于趋势的时间序列分割装置示意图；
图3是一种基于趋势的时间序列分割装置中各模块示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
实施例一
如图1所示，本发明实施例一提供一种基于趋势的时间序列分割方法，包括：
步骤110、获取原时间序列，计算整体置换距离比，根据整体置换距离比进行序列的整体趋势识别；
将原时间序列从小到大重新排列，记新序列的第个元素在原时间序列的索引为，那么/>构成的整数序列是对/>的一个置换，记为序列/>，则将序列/>的置换距离记为原时间序列的置换距离。
计算整个序列的置换距离，计算序列的置换距离比：/>，其中，/>，n为序列/>的数据项数。
步骤120、若整体置换距离比满足预设条件，则对原时间序列进行局部迭代分解，待非孤立点构成的子序列的个数小于指定值时，结束迭代过程，得到若干波峰点和波谷点；若整体置换距离比不满足预设条件，则不作序列分割。
在分割之前，可以进行上升趋势和下降趋势的整体判断，如果序列的置换距离比接近于0或者1，直接可以判断序列为上升序列或者下降序列，无需进行无效的进一步操作的浪费工作。具体地，如果整体置换距离比的值大于0.9或者小于0.1(这两个阈值可根据具体情况做相应调整)，说明原时间序列具有显著的下降或者上升趋势，无需进一步进行序列分割。
如果整体置换距离比的值在0.1与0.9之间，且越接近0.6越说明原序列要么是一个平稳的随机过程，要么具有大范围的上升、下降交替过程，因此需要进行序列分割。具体为：对原时间序列做局部分解，在原序列的顺序不变的基础上，将原序列分解成若干局部子序列，保留局部子序列中的最后一个元素构成新序列；迭代分解，待非孤立点构成的子序列的个数小于指定值时，结束迭代过程，得到若干波峰点和波谷点。
对于原时间序列来说，其局部上升分解为：，也就是原时间序列的顺序不变，每个子序列要么是几个点构成的上升序列，要么是孤立的一个点构成的单点序列。保留每个局部子序列中的最后一个元素，构成新序列/>，迭代这个过程，使得分解后的子序列中，非孤立点构成的子序列的个数小于指定值(需要保留几个波峰值点，这一步可以适当多一点)即结束迭代过程。迭代停止的条件是局部上升分解中，非孤立点的上升序列达到指定的阈值，即需要保留的波峰点的个数。这种做法的好处是能够把局部的波峰点迭代掉，宏观的波峰点会被保留。
接下来，对原始序列进行局部下降分解，分解为，其中元素的顺序不变，但是每个序列要么是几个点构成的下降序列，要么是孤立的一个点构成的单点序列。对局部下降分解，采用迭代法，每次保留每个局部下降子序列的最后一个值，其余值都删掉，构成一个新的序列，再对新序列进行局部下降分解，这样的作法保留下来的点要么是波谷点，要么是孤立的连续上升的点。迭代停止的条件是局部下降分解中，非孤立点的下降序列达到指定的阈值，即需要保留的波谷点的个数。这种做法的好处是能够把局部的波谷点迭代掉，宏观的波谷点会被保留。
通过上述两个过程找到序列中的全局性的波峰点和波谷点，指明了哪些点是序列的整体趋势变化的可能分界点。
步骤130、将得到的波峰值点和波谷点加入原时间序列的起始点和结束点，计算每两个区间的局部置换距离比，根据计算得到的局部置换距离比删除同趋势分界点，保留下来的点为上升趋势和下降趋势的分界点，完成序列分割。
具体地，将步骤120中找到的波峰点和波谷点加入原时间序列的起始点和结束点，并进行从小到大排序，分别计算每两个区间的局部置换距离比，如果此区间的置换距离比小于指定值（如），记此区间为上升子序列，若此区间的置换距离比大于指定值/>，记此区间为下降子序列。
根据计算得到的局部置换距离比删除同趋势分界点，具体为：根据局部置换距离比与指定值（）的比较结果，确定了各区间为上升子序列还是下降子序列之后：若连续两个区间的趋势相同，则可删除中间的分界点。
若区间的长度小于指定值，则合并相邻区间再次计算合并区间的第三置换距离比，仍与指定值作比，决定其上升趋势和下降趋势，若连续两个区间的趋势相同，则可删除中间的分界点。最终，以保留下来的点为上升趋势和下降趋势的分界点，完成序列分割。
实施例二
如图2所示，本发明实施例二提供一种基于趋势的时间序列分割装置，所述装置可以单独在相应的需求场景中应用。所述装置包括预识别模块210，变点检测模块220，变点合并模块230。
预识别模块210用于判断序列的整体趋势，如果整体具有显著的上升或下降趋势，那么就省去了进一步分割的必要。变点检测模块220负责寻找序列的具有代表性的上升趋势和下降趋势的分界点。变点合并模块230负责对找到的趋势分界点进行合并，使整个分割具备简明、直观的效果。
具体地，预识别模块210用于获取原时间序列，计算整体置换距离比，根据整体置换距离比进行序列的整体趋势识别；
变点检测模块220用于当整体置换距离比满足预设条件，则对原时间序列进行局部迭代分解，待非孤立点构成的子序列的个数小于指定值时，结束迭代过程，得到若干波峰点和波谷点；
变点合并模块230用于将得到的波峰值点和波谷点加入原时间序列的起始点和结束点，计算每两个区间的局部置换距离比，根据计算得到的局部置换距离比删除同趋势分界点，保留下来的点为上升趋势和下降趋势的分界点，完成序列分割。
如图3所示，在预识别模块模块210中，原时间序列数据计算置换距离比之后，若置换距离比大于0.9，则确定为下降序列，若置换距离比小于0.1，则确定为上升序列，若置换距离比不大于0.9，也不小于0.1，则触发变点检测模块220。
变点检测模块220中，先进行局部上升分解，提取局部最大值进行局部上升迭代分解，直到非孤立点序列数小于3，结束局部上升分解迭代，再进行局部下降分解，提取局部最小值进行部上升迭代分解，直到非孤立点序列数小于3，结束局部下降分解迭代，触发变点合并模块230。
变点合并模块230中，对变点检测模块220中分解迭代得到的波峰点和波谷点进行排序，计算区间置换距离比，合并相同趋势区间，当最小区间小于指定长度时，合并相邻区间，继续计算置换距离比，直至最小区间大于指定长度，完成分割。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
Claims (9)
1.一种基于趋势的时间序列分割方法，其特征在于，包括：
获取原时间序列，计算整体置换距离比，根据整体置换距离比进行序列的整体趋势识别；
若整体置换距离比满足预设条件，则对原时间序列进行局部迭代分解，待非孤立点构成的子序列的个数小于指定值时，结束迭代过程，得到若干波峰点和波谷点；局部迭代分解具体为：将原时间序列根据上升/下降分解成若干局部子序列，分别保留局部子序列中的最后一个元素构成新序列，重复迭代对新序列进行局部上升/下降分解；
将得到的波峰值点和波谷点加入原时间序列的起始点和结束点，计算每两个区间的局部置换距离比，根据计算得到的局部置换距离比删除同趋势分界点，保留下来的点为上升趋势和下降趋势的分界点，完成序列分割；
将原时间序列从小到大重新排列，记新序列的第个元素在原时间序列的索引为，那么/>构成的整数序列是对/>的一个置换，记为序列/>，则将序列/>的置换距离记为原时间序列的置换距离；计算整个序列的置换距离，计算序列的置换距离比：/>，其中，，n为序列/>的数据项数。
2.如权利要求1所述的一种基于趋势的时间序列分割方法，其特征在于，若整体置换距离比不满足预设条件，则不作序列分割。
3.如权利要求1所述的一种基于趋势的时间序列分割方法，其特征在于，所述预设条件为整体置换距离比大于第一数值或小于第二数值，直接判断为上升序列或下降序列，不做序列分割。
4.如权利要求3所述的一种基于趋势的时间序列分割方法，其特征在于，若整体置换距离比小于第一数值或大于第二数值，则对原时间序列进行局部迭代分解。
5.如权利要求4所述的一种基于趋势的时间序列分割方法，其特征在于，对原时间序列进行局部迭代分解，具体为：对原时间序列做局部分解，在原序列的顺序不变的基础上，将原序列分解成若干局部子序列，保留局部子序列中的最后一个元素构成新序列，进行迭代分解。
6.如权利要求5所述的一种基于趋势的时间序列分割方法，其特征在于，进行迭代分解，具体包括：局部上升分解；局部上升分解迭代停止的条件是非孤立点的上升序列达到指定的阈值，即需要保留的波峰点的个数。
7.如权利要求5所述的一种基于趋势的时间序列分割方法，其特征在于，进行迭代分解，具体包括：局部下降分解；局部下降分解迭代停止的条件是非孤立点的下降序列达到指定的阈值，即需要保留的波谷点的个数。
8.如权利要求1所述的一种基于趋势的时间序列分割方法，其特征在于，根据计算得到的局部置换距离比删除同趋势分界点，具体包括：
根据局部置换距离比确定每个区间为上升趋势或下降趋势；
若连续两个区间的趋势相同，则删除中间的分界点；
若区间的长度小于指定值，则合并相邻区间再次计算合并区间的第三置换距离比，根据第三置换距离比确定合并区间的上升趋势或下降趋势，若连续两个区间的趋势相同，则删除中间的分界点。
9.一种基于趋势的时间序列分割装置，其特征在于，包括：预识别模块、变点检测模块和变点合并模块；所述装置执行如权利要求1-8任一项所述的一种基于趋势的时间序列分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311197764.XA CN116955932B (zh) | 2023-09-18 | 2023-09-18 | 一种基于趋势的时间序列分割方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311197764.XA CN116955932B (zh) | 2023-09-18 | 2023-09-18 | 一种基于趋势的时间序列分割方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116955932A CN116955932A (zh) | 2023-10-27 |
| CN116955932B true CN116955932B (zh) | 2024-01-12 |
Family
ID=88460424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311197764.XA Active CN116955932B (zh) | 2023-09-18 | 2023-09-18 | 一种基于趋势的时间序列分割方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116955932B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104216924A (zh) * | 2013-06-03 | 2014-12-17 | 肖瑞 | 基于趋势的时间序列索引 |
| CN104834811A (zh) * | 2015-04-24 | 2015-08-12 | 中国海洋大学 | 一种海浪波高分析方法 |
| CN112765562A (zh) * | 2021-01-15 | 2021-05-07 | 杭州安脉盛智能技术有限公司 | 一种基于动态网格划分的时序数据趋势特征提取方法 |
| CN113723201A (zh) * | 2021-08-03 | 2021-11-30 | 三明学院 | 时间序列局部趋势的识别方法、装置、***和存储介质 |
| CN115936237A (zh) * | 2022-12-23 | 2023-04-07 | 西南科技大学 | 时间序列预测方法、装置、计算机设备及存储介质 |
| CN116226604A (zh) * | 2023-03-28 | 2023-06-06 | 长安大学 | 一种水文序列总体变异度诊断度量方法、装置及设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11455322B2 (en) * | 2020-05-12 | 2022-09-27 | International Business Machines Corporation | Classification of time series data |
-
2023
- 2023-09-18 CN CN202311197764.XA patent/CN116955932B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104216924A (zh) * | 2013-06-03 | 2014-12-17 | 肖瑞 | 基于趋势的时间序列索引 |
| CN104834811A (zh) * | 2015-04-24 | 2015-08-12 | 中国海洋大学 | 一种海浪波高分析方法 |
| CN112765562A (zh) * | 2021-01-15 | 2021-05-07 | 杭州安脉盛智能技术有限公司 | 一种基于动态网格划分的时序数据趋势特征提取方法 |
| CN113723201A (zh) * | 2021-08-03 | 2021-11-30 | 三明学院 | 时间序列局部趋势的识别方法、装置、***和存储介质 |
| CN115936237A (zh) * | 2022-12-23 | 2023-04-07 | 西南科技大学 | 时间序列预测方法、装置、计算机设备及存储介质 |
| CN116226604A (zh) * | 2023-03-28 | 2023-06-06 | 长安大学 | 一种水文序列总体变异度诊断度量方法、装置及设备 |
Non-Patent Citations (2)
| Title |
|---|
| An iterative end point fitting based trend segmentation representation of time series and its distancemeasure;Haiyan Chen等;《Springer》(第79期);全文 * |
| 时间序列趋势相似性度量方法研究;谭章禄;王兆刚;胡翰;;计算机工程与应用(10);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116955932A (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108156037B (zh) | 告警关联分析方法、装置、设备及介质 | |
| US20080319951A1 (en) | Apparatus and method for classifying time-series data and time-series data processing apparatus | |
| US20190236101A1 (en) | System and method for optimization of audio fingerprint search | |
| CN110414367B (zh) | 一种基于gan和ssn的时序行为检测方法 | |
| Yahmed et al. | ADAPTIVE SLIDING WINDOW ALGORITHM FOR WEATHER DATA SEGMENTATION. | |
| CN111798312A (zh) | 一种基于孤立森林算法的金融交易***异常识别方法 | |
| CN111275198B (zh) | 一种轴承异常检测方法及*** | |
| CN116011894B (zh) | 一种铝合金棒生产数据管理*** | |
| WO2015158781A1 (en) | Line segmentation method | |
| CN116610938A (zh) | 曲线模式分段的半导体制造无监督异常检测方法及设备 | |
| CN111611961A (zh) | 一种基于变点分段与序列聚类的谐波异常识别方法 | |
| CN110837874A (zh) | 基于时间序列分类的业务数据异常检测方法 | |
| CN110288003A (zh) | 数据变化识别方法及设备 | |
| CN116955932B (zh) | 一种基于趋势的时间序列分割方法及装置 | |
| KR20200061307A (ko) | 딥러닝을 이용한 지진 분류 방법 및 장치 | |
| CN111148045A (zh) | 用户行为周期提取方法及设备 | |
| CN109284286B (zh) | 一种从原始数据集中提取有效特征的方法 | |
| CN116384574A (zh) | 一种基于w-lstm的非参数负荷区间预测方法 | |
| CN115309805A (zh) | 一种基于极值点划分和l-k模式距离的降雨过程相似性搜索方法及*** | |
| CN104036527A (zh) | 一种基于局部线性嵌入的人体运动分割方法 | |
| Au et al. | A framework of irregularity enlightenment for data pre-processing in data mining | |
| CN110265151B (zh) | 一种基于ehr中异构时态数据的学习方法 | |
| Marathe | LRZ convolution: an algorithm for automatic anomaly detection in time-series data | |
| CN113034502B (zh) | 一种排水管道缺陷去冗余方法 | |
| Jagnjić et al. | Time series classification based on qualitative space fragmentation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |