CN117992804A - 一种时序数据流模式识别方法及装置 - Google Patents
一种时序数据流模式识别方法及装置 Download PDFInfo
- Publication number
- CN117992804A CN117992804A CN202410404447.9A CN202410404447A CN117992804A CN 117992804 A CN117992804 A CN 117992804A CN 202410404447 A CN202410404447 A CN 202410404447A CN 117992804 A CN117992804 A CN 117992804A
- Authority
- CN
- China
- Prior art keywords
- data stream
- time
- feature vector
- sequence
- features
- 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.)
- Granted
Links
- 238000012567 pattern recognition method Methods 0.000 title claims description 7
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000003909 pattern recognition Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 45
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 9
- 108091026890 Coding region Proteins 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 13
- 238000004364 calculation method Methods 0.000 abstract description 11
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000005452 bending Methods 0.000 abstract description 3
- 238000009776 industrial production Methods 0.000 abstract description 3
- 230000005856 abnormality Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 abstract 1
- 238000005070 sampling Methods 0.000 abstract 1
- 238000003860 storage Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 231100001263 laboratory chemical safety summary Toxicity 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种时序数据流模式识别方法及装置，首先，基于二进制编码的转折模式切分数据流；然后，利用第一类切比雪夫多项式分解子序列，抽取切比雪夫特征；最后，基于增量式动态规划方法进行时序数据流模式匹配。本发明基于切比雪夫特征可对原始数据流波动形态进行准确拟合，大幅降低数据维度的同时减少信息损失，并且实现了动态时间弯曲度量在高速时序数据流上的增量式计算，因此，本发明在模式识别准确率和计算效率方面都具有显著优势。在人们的日常活动和工业生产中可发挥重要作用，如在金融交易、交通管理、气象观测、工业流程监控、医疗诊断等应用中，能够对大规模采样数据或高速动态数据流进行异常检测、风险监控、实时问答等。
Description
技术领域
本发明属于大数据、数据库、数据挖掘、信息检索技术领域，具体涉及一种时序数据流模式识别方法及装置。
背景技术
时序数据流广泛存在于人们日常生活及工业生产中，如基金或股票的实时交易数据、零售市场的日销量数据、工业流程传感器监测数据、天文观测数据、航空航天雷达及卫星监测数据、实时天气温度及空气质量指数等。对时序数据流的模式识别，在工业界有着广泛的应用需求。如在股票市场的实时交易中，交易员想要从高速流来的实时股票价格数据中，及时识别出与特定波动模式相似的价格子序列，作为投资参考，以尽快完成交易行为。
决定模式识别准确率和效率的关键因素是衡量模式相似性的距离度量方法。目前业界最常用的时间序列相似性度量方法包括锁步度量和弹性度量。前者采用了点对点的度量方式，即序列T 1和T 2之间的距离是通过严格比较T 1和T 2在各自对应位置的点对，再累加所有点对的距离得到。该类方法常见的有曼哈顿距离、欧氏距离和切比雪夫距离，它们是L p -norms距离在p取不同值时的特例。该类方法具有易实现、计算复杂度低、满足距离三角不等式、无参数等优点；但是，其度量精度对噪声、异常点、幅值伸缩和漂移、相位偏移等非常敏感，并且只能用于度量等长序列。弹性度量方法采用一点对多点的度量方式，即序列T 1的一个点可以与T 2的多个连续点相对应，通过动态规划方法遍历T 1和T 2的所有点对之间的距离。该类方法最常见的有动态时间弯曲距离（DTW）和编辑距离的变种（如LCSS、EDR、ERP）等。与锁步度量相比，弹性度量能够实现两条序列的最佳对齐匹配，可以有效处理时间弯曲、相位偏移、幅值伸缩和漂移等基本形态变化，对噪声和异常点具有鲁棒性，因此，弹性度量具有较高的度量精度。但是，该类方法具有较高的计算复杂度，当度量高维序列时会导致高昂的时间开销，难以在现实应用中处理高速时序数据流。
发明内容
为解决现有技术的不足，实现准确识别高速时序数据流的目的，本发明采用如下的技术方案：
一种时序数据流模式识别方法，包括如下步骤：
（1）分段特征抽取；对数据流进行编码，并基于设定的转折模式对编码的数据流分段，对各段抽取特征，得到一组数据流特征向量序列；
（2）增量模式匹配；对查询序列进行所述分段特征抽取，得到查询特征向量序列，依次计算数据流特征向量与查询特征向量的距离，并构建动态规划表，基于距离最小值，在动态规划表上规划最优路径，从而在动态规划算法中实现对历史计算数据的重复利用。
进一步地，所述步骤（2）包括以下子步骤：
（2.1）对查询序列进行所述分段特征抽取，得到一组查询特征向量序列{V 1,...,V M }；
（2.2）设定模式匹配阈值ε，并构建动态规划表；
（2.3）分别计算数据流特征向量序列{V' 1,...,V' X }与查询特征向量序列之间，任意两个特征向量的距离，并加入动态规划表的相应单元格cell(i,j)；
（2.4）以单元格cell(1, 1)作为第一条最优弯曲路径ξ 1的起始点，依次选择{cell(V i+1,V' j ),cell(V i+1,V' j+1),cell(V i ,V' j+1)}中的最小值作为最优弯曲路径ξ 1的下一个路径点，直至i=M，V i 表示第i个查询特征向量，V' j 表示第j个数据流特征向量；
（2.5）累加路径ξ 1的所有单元格作为查询序列与数据流的第一条子序列的距离值，若小于阈值ε，则输出模式匹配的该数据流子序列，并以cell(1, 2)作为第二条最优弯曲路径ξ 2的起始点；
（2.6）对于第i条最优弯曲路径ξ i ，以cell(1,i)作为起始点，循环执行步骤（2.4）至步骤（2.5），直至i=X-M +1时停止循环，X表示数据流特征向量的数量，M表示查询特征向量的数量。
进一步地，所述步骤（2.3）中两个特征向量的距离为点对距离：
其中，V表示查询特征向量，V'表示数据流特征向量，c i 表示查询特征值，c' i 表示数据流特征值，a表示数据流特征向量中的特征值数量。
进一步地，所述步骤（1）中的数据流编码过程，是基于滑动窗口依次截取数据流相邻多个元素并计算平均值，通过判断窗口内元素与平均值的大小关系对其编码，得到数据流的编码序列，并根据编码定义转折模式。
进一步地，在所述滑动窗口依次截取数据流前，对数据流进行平滑处理：依次计算时序数据流相邻多个元素的平均值，对其做移动平滑处理，将得到的平滑数据流用于数据流分段。
进一步地，所述步骤（1）中的数据流分段，是通过顺序扫描编码序列，针对相邻多个编码组合依次匹配转折模式，基于匹配的转折模式，对编码序列进行分段，基于二进制编码的转折模式分段时序数据流，有效实现了适应性不等长分段，相比于传统的平均分段，该分段方法可以完整保留数据流的局部波动模式。
进一步地，所述步骤（1）中对各段抽取特征，是对相邻分段点之间的子序列做切比雪夫因式分解，抽取切比雪夫系数特征，将编码序列转化为数据流特征向量序列。通过将数据流转化为特征向量序列，可以有效避免数据元素重复规范化导致的数据变化问题，为增量式计算奠定了基础。
进一步地，所述对各段抽取特征前，先对相邻分段点之间的子序列计算元素平均值m s i 和标准差σ s i ，根据平均值m s i 和标准差σ s i 对S i 做Z-规范化处理：
再将得到规范化子序列S i '用于抽取特征。
进一步地，所述切比雪夫因式分解中，抽取最大的前a个切比雪夫系数c i 作为特征，构造特征向量V' i = [c 1,c 2, ...,c a ]；
其中，δ表示切比雪夫多项式阶数，当δ= 0时，k= 1，否则，k= 2。
一种时序数据流模式识别装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现所述的一种时序数据流模式识别方法。
本发明的优势和有益效果在于：
本发明的一种时序数据流模式识别方法及装置，基于特征向量序列的动态规划计算，可有效避免原始数据流在滑动窗口内的数据重复规范化使得数值不断改变，进而导致每个子序列在动态规划表中的单元值无法重复利用的问题，为增量式动态规划奠定了基础，显著改进动态时间弯曲度量在高速时序数据流上的计算效率，进而显著提高模式匹配效率。本发明在对时序数据流进行异常检测、风险监控、实时查询等任务中可发挥重要作用，极大满足了工业生产需求。
附图说明
图1是本发明实施例中方法的流程图。
图2是本发明实施例中分段特征抽取的流程图。
图3是本发明实施例中增量模式匹配的流程图。
图4是本发明实施例中装置的结构示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
如图1所示，一种时序数据流模式识别方法，应用于毫秒级股票价格数据流，从过去一个月的历史数据中，实时检测最新5分钟的毫秒级股价波动模式（毫秒级更新，长度600），通过特征抽取和增量式计算技术，有效改进动态时间弯曲度量在时序数据流上的计算效率，同时保证较高的模式识别准确率，具体包括以下步骤：
（1）分段特征抽取，如图2所示，具体包括以下子步骤：
（1.1）依次计算时序数据流T={t 1, t 2,…, t i ,…,t n }相邻k个元素的平均值，对其做移动平滑处理，得到平滑数据流T'={t' 1, t' 2,…,t' i ,…,t' n }；本发明实施例中，依次计算股票价格数据流的相邻3元素平均值。
（1.2）基于滑动窗口依次截取T'相邻w个元素并计算平均值，通过判断窗口内元素与平均值的大小关系对其编码，得到T的编码序列C T ，并定义转折模式表TP_table。本发明实施例中，利用滑动窗口依次截取T'的相邻3元素并计算平均值，比较各元素与平均值的大小并对其编码。该过程包括以下子步骤：
（1.2.1）采用滑动窗口W，依次截取T'的相邻w个元素<t' i ,t' i+1,…,t' i+w-1>，并计算平均值m t i ；本发明实施例中，采用长度为3的滑动窗口W，依次截取T'的相邻3元素<t' i-1,t' i ,t' i+1>。
（1.2.2）比较<t' i ,t' i+1,…,t' i+w-1>各元素与平均值m t i 的大小，若t' i > m t i ，则将其编码为1，表示为code(t' i ) = 1；否则编码为code(t' i ) = 0，由此将<t' i ,t' i+1,…,t' i+w-1>编码为d t i =<c t i ,c t i+1, …,c t i+w-1>，得到T的编码序列C T = {d t 1,d t 2,...,d t n }；本发明实施例中，编码序列C T = {001, 101,..., 110}。
（1.2.3）根据编码定义所有转折模式TP，得到转折模式表TP_table；本发明实施例中，转折模式表TP_table= {上升-下降：001-100, 001-110, 011-100, 011-110, 001/011-010-100/110；下降-上升：100-001, 100-011, 110-001, 110-011, 100/110-101-001/011}。
（1.3）顺序扫描C T ，针对相邻w个编码组合依次查询转折模式表TP_table，若匹配其中的转折模式，则对C T 进行分段，相比于传统的平均分段，该分段方法可以完整保留数据流的局部波动模式。本发明实施例中，针对相邻两个编码组合依次查询TP_table，若匹配其中的转折模式，则对C T 进行分段。
（1.4）对相邻分段点之间的子序列做切比雪夫因式分解，抽取切比雪夫系数特征，由此将C T 转化为特征向量序列PCHA(T) = {V' 1,...,V' X }。通过将数据流转化为特征向量序列，可以有效避免数据元素重复规范化导致的数据变化问题，为增量式计算奠定了基础。该过程包括以下子步骤：
（1.4.1）对相邻分段点之间的子序列S i ={s 1, s 2,…, s j ,…, s l }计算元素平均值m s i 和标准差σ s i ，根据公式(1)对S i 做Z-规范化处理，得到规范化子序列S i '={s' 1, s' 2,…,s' j ,…, s' l }；
(1)
（1.4.2）根据公式(2)~(4)，对S i '做切比雪夫因式分解，抽取最大的少量前a个切比雪夫系数c i 作为特征，构造S i '的特征向量V' i = [c 1,c 2, ...,c a ]；
其中，δ表示切比雪夫多项式阶数，当δ= 0时，k= 1，否则，k= 2；
本发明实施例中，对相邻分段点之间的子序列做切比雪夫因式分解，抽取切比雪夫系数特征，由此将C T 转化为特征向量序列PCHA(T) = {[0.14, 2.31, 1.23, 1.16],[2.85, 1.61, 1.43, 0.82], ..., [1.77, 0.54, 2.19, 1.96]}。
（2）增量模式匹配，在动态规划算法中实现对历史计算数据的重复利用，如图3所示，具体包括以下子步骤：
（2.1）根据步骤（1）对长度为m的查询序列Q={q 1, q 2,…, q i ,…,q m }做相同处理，将其切分为M条子段，得到Q的分段切比雪夫近似表示PCHA(Q)={V 1,...,V M }；本发明实施例中，根据步骤（1）对最新5分钟的毫秒级股价序列Q做相同处理，将其切分为20条子序列，得到其分段切比雪夫近似表示PCHA(Q)={[1.22, 0.57, 2.73, 2.08], ..., [0.47, 1.28,1.58, 2.35]}。
（2.2）根据实际应用需求设定模式匹配阈值ε，初始化动态规划表Table=Ø；
（2.3）根据公式（5）分别计算V 1~V M 与V' 1~V' X 之间任意两个特征向量的距离，并存入动态规划表的相应单元格，即V i 与V' j 之间的点对距离dist(V,V')存入cell(i,j)；
(5)
本发明实施例中，根据公式（5）分别计算V 1~V 20与V' 1~V' X 之间任意两个特征向量的距离。
（2.4）以cell(1, 1)作为第一条最优弯曲路径ξ 1的起始点，依次选择{cell(V i+1,V' j ),cell(V i+1,V' j+1),cell(V i ,V' j+1)}中的最小值作为路径ξ 1的下一个路径点，直至i=M；本发明实施例中，M为20。
（2.5）累加路径ξ 1的所有单元格作为Q与数据流T第一条子序列的距离值，若小于阈值ε，则输出该数据流子序列S 1，并以cell(1, 2)作为第二条最优弯曲路径ξ 2的起始点；
（2.6）对于第i条最优弯曲路径ξ i ，以cell(1,i)作为起始点，循环执行步骤（2.4）~（2.5），直至i=X-M +1时停止循环；本发明实施例中，i=X-20+1时停止循环。
时序数据流除了基金或股票实时交易数据，还包括零售市场实时销售数据、工业流程传感器实时监测数据、天文实时观测数据、航空航天雷达和卫星实时监测数据或实时温度及空气质量指数。此外，本发明还可泛化至其它类型时序数据流应用场景，如即时通信文本数据流（聊天记录、视频弹幕、直播留言等），针对每个时刻的通信文本数据抽取主题分布特征，将文本数据流转换为特征向量序列，针对查询语句应用本发明方法，快速识别语义相近文本。针对视频数据的图像帧数据流，可抽取每帧图像的卷积特征，将视频数据转换为卷积特征向量序列，针对视频段落或语义描述，在完整的长视频中快速识别和定位查询内容。
与前述一种时序数据流模式识别方法的实施例相对应，本发明还提供了一种时序数据流模式识别装置的实施例。
参见图4，本发明实施例提供的一种时序数据流模式识别装置，包括存储器和一个或多个处理器，存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述实施例中的一种时序数据流模式识别方法。
本发明一种时序数据流模式识别装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图4所示，为本发明一种时序数据流模式识别装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图4所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的一种时序数据流模式识别方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。
Claims (10)
1.一种时序数据流模式识别方法，其特征在于包括如下步骤：
（1）分段特征抽取；对数据流进行编码，并基于设定的转折模式对编码的数据流分段，对各段抽取特征，得到一组数据流特征向量序列；
（2）增量模式匹配；对查询序列进行所述分段特征抽取，得到查询特征向量序列，依次计算数据流特征向量与查询特征向量的距离，并构建动态规划表，基于距离最小值，在动态规划表上规划最优路径。
2.根据权利要求1所述的一种时序数据流模式识别方法，其特征在于：所述步骤（2）包括以下子步骤：
（2.1）对查询序列进行所述分段特征抽取，得到一组查询特征向量序列{V 1,..., V M }；
（2.2）设定模式匹配阈值ε，并构建动态规划表；
（2.3）分别计算数据流特征向量序列{V' 1,..., V' X }与查询特征向量序列之间，任意两个特征向量的距离，并加入动态规划表的相应单元格cell(i, j)；
（2.4）以单元格cell(1, 1)作为第一条最优弯曲路径ξ 1的起始点，依次选择{cell(V i+1,V' j ), cell(V i+1, V' j+1), cell(V i , V' j+1)}中的最小值作为最优弯曲路径ξ 1的下一个路径点，直至i = M，V i 表示第i个查询特征向量，V' j 表示第j个数据流特征向量；
（2.5）累加路径ξ 1的所有单元格作为查询序列与数据流的第一条子序列的距离值，若小于阈值ε，则输出模式匹配的该数据流子序列，并以cell(1, 2)作为第二条最优弯曲路径ξ 2的起始点；
（2.6）对于第i条最优弯曲路径ξ i ，以cell(1, i)作为起始点，循环执行步骤（2.4）至步骤（2.5），直至i = X-M +1时停止循环，X表示数据流特征向量的数量，M表示查询特征向量的数量。
3.根据权利要求2所述的一种时序数据流模式识别方法，其特征在于：所述步骤（2.3）中两个特征向量的距离为点对距离：
，
其中，V表示查询特征向量，V'表示数据流特征向量，c i 表示查询特征值，c' i 表示数据流特征值，a表示数据流特征向量中的特征值数量。
4.根据权利要求1所述的一种时序数据流模式识别方法，其特征在于：所述步骤（1）中的数据流编码过程，是基于滑动窗口依次截取数据流相邻多个元素并计算平均值，通过判断窗口内元素与平均值的大小关系对其编码，得到数据流的编码序列，并根据编码定义转折模式。
5.根据权利要求4所述的一种时序数据流模式识别方法，其特征在于：在所述滑动窗口依次截取数据流前，对数据流进行平滑处理：依次计算时序数据流相邻多个元素的平均值，对其做移动平滑处理，将得到的平滑数据流用于数据流分段。
6.根据权利要求1所述的一种时序数据流模式识别方法，其特征在于：所述步骤（1）中的数据流分段，是通过顺序扫描编码序列，针对相邻多个编码组合依次匹配转折模式，基于匹配的转折模式，对编码序列进行分段。
7.根据权利要求1所述的一种时序数据流模式识别方法，其特征在于：所述步骤（1）中对各段抽取特征，是对相邻分段点之间的子序列做切比雪夫因式分解，抽取切比雪夫系数特征，将编码序列转化为数据流特征向量序列。
8.根据权利要求7所述的一种时序数据流模式识别方法，其特征在于：所述对各段抽取特征前，先对相邻分段点之间的子序列计算元素平均值m s i 和标准差σ s i ，根据平均值m s i 和标准差σ s i 对S i 做Z-规范化处理：
，
再将得到规范化子序列S i '用于抽取特征。
9.根据权利要求5所述的一种时序数据流模式识别方法，其特征在于：所述切比雪夫因式分解中，抽取最大的前a个切比雪夫系数c i 作为特征，构造特征向量V' i = [c 1, c 2, ...,c a ]；
，
其中，δ表示切比雪夫多项式阶数，当δ = 0时，k = 1，否则，k = 2。
10.一种时序数据流模式识别装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-9中任一项所述的一种时序数据流模式识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410404447.9A CN117992804B (zh) | 2024-04-07 | 2024-04-07 | 一种时序数据流模式识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410404447.9A CN117992804B (zh) | 2024-04-07 | 2024-04-07 | 一种时序数据流模式识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117992804A true CN117992804A (zh) | 2024-05-07 |
| CN117992804B CN117992804B (zh) | 2024-07-09 |
Family
ID=90902420
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410404447.9A Active CN117992804B (zh) | 2024-04-07 | 2024-04-07 | 一种时序数据流模式识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117992804B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030032499A (ko) * | 2001-10-18 | 2003-04-26 | 한국전자통신연구원 | 시퀀스 데이터베이스에서 타임 워핑 기반의 서브시퀀스매칭방법 |
| CN104794484A (zh) * | 2015-04-07 | 2015-07-22 | 浙江大学 | 基于分段正交多项式分解的时序数据最近邻分类方法 |
| CN104850740A (zh) * | 2015-05-06 | 2015-08-19 | 浙江大学 | 基于动态时间弯曲的数据流模式匹配方法 |
| CN112651506A (zh) * | 2020-12-24 | 2021-04-13 | 重庆大学 | 一种智能环境下基于边缘设备规则推理的数据预部署方法 |
| US20210328720A1 (en) * | 2020-04-15 | 2021-10-21 | Mediatek Inc. | Method and apparatus for detecting word boundary between codewords in data stream transmitted via data channel of high definition multimedia interface |
| CN116450711A (zh) * | 2023-06-20 | 2023-07-18 | 山东科技大学 | Gnss坐标时间序列数据流匹配方法 |
-
2024
- 2024-04-07 CN CN202410404447.9A patent/CN117992804B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030032499A (ko) * | 2001-10-18 | 2003-04-26 | 한국전자통신연구원 | 시퀀스 데이터베이스에서 타임 워핑 기반의 서브시퀀스매칭방법 |
| CN104794484A (zh) * | 2015-04-07 | 2015-07-22 | 浙江大学 | 基于分段正交多项式分解的时序数据最近邻分类方法 |
| CN104850740A (zh) * | 2015-05-06 | 2015-08-19 | 浙江大学 | 基于动态时间弯曲的数据流模式匹配方法 |
| US20210328720A1 (en) * | 2020-04-15 | 2021-10-21 | Mediatek Inc. | Method and apparatus for detecting word boundary between codewords in data stream transmitted via data channel of high definition multimedia interface |
| CN112651506A (zh) * | 2020-12-24 | 2021-04-13 | 重庆大学 | 一种智能环境下基于边缘设备规则推理的数据预部署方法 |
| CN116450711A (zh) * | 2023-06-20 | 2023-07-18 | 山东科技大学 | Gnss坐标时间序列数据流匹配方法 |
Non-Patent Citations (3)
| Title |
|---|
| QINGLIN CAI: "Piecewise Chebyshev Factorization based Nearest Neighbour Classification for Time Series", 《2015 7TH INTERNATIONAL JOINT CONFERENCE ON KNOWLEDGE DISCOVERY, KNOWLEDGE ENGINEERING AND KNOWLEDGE MANAGEMENT (IC3K)》, 1 August 2010 (2010-08-01) * |
| 左利云;: "基于数据流相似查询的SCT整合优化算法", 茂名学院学报, no. 06, 15 December 2009 (2009-12-15) * |
| 梅寒蕾;蔡青林;陈岭;孙建伶;: "一种基于动态时间弯曲的数据流子序列匹配***", 计算机研究与发展, no. 1, 15 October 2015 (2015-10-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117992804B (zh) | 2024-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yujian et al. | A normalized Levenshtein distance metric | |
| CN112818676B (zh) | 一种医学实体关系联合抽取方法 | |
| CN104794484B (zh) | 基于分段正交多项式分解的时序数据最近邻分类方法 | |
| CN115994137A (zh) | 一种基于物联网应用服务***的数据管理方法 | |
| CN115329895A (zh) | 多源异构数据降噪分析处理方法 | |
| CN115565177B (zh) | 文字识别模型训练、文字识别方法、装置、设备及介质 | |
| CN115099321B (zh) | 双向自回归无监督预训练微调式排污异常监控方法及应用 | |
| CN112561960A (zh) | 一种基于轨迹相似性度量学习的多目标跟踪重定位方法 | |
| Qin et al. | Generalizing to evolving domains with latent structure-aware sequential autoencoder | |
| CN117992804B (zh) | 一种时序数据流模式识别方法及装置 | |
| CN117094451B (zh) | 一种耗电量的预测方法、装置及终端 | |
| Salarpour et al. | Direction‐based similarity measure to trajectory clustering | |
| WO2023092719A1 (zh) | 病历数据的信息抽取方法、终端设备及可读存储介质 | |
| CN104850740A (zh) | 基于动态时间弯曲的数据流模式匹配方法 | |
| CN112750071B (zh) | 一种用户自定义的表情制作方法及*** | |
| Li et al. | Multiple attention-based encoder–decoder networks for gas meter character recognition | |
| CN113792121B (zh) | 阅读理解模型的训练方法及装置、阅读理解方法及装置 | |
| Verma et al. | Variance reduction in feature hashing using MLE and control variate method | |
| Hao et al. | A novel method for Jinnan cattle individual classification based on deep mutual learning | |
| Kang et al. | Online discriminative cross-modal hashing | |
| CN117196831B (zh) | 一种面向金融服务的风险预测方法及*** | |
| Tu et al. | A novel grey relational clustering model under sequential three-way decision framework | |
| US20240242120A1 (en) | System, method, and computer program product for time series forecasting using integrable multivariate pattern matching | |
| Mo et al. | A Spatial-temporal Attention Based BiLSTM for Stock Index Prediction | |
| CN118245641A (zh) | 一种不定长时间序列数据相似性查询方法 |
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 |