一种高效基于相似性查找时间序列位符号化表示方法.docVIP

一种高效的基于相似性查找时间序列的位符号化表示方法 　　摘 要：到目前为止能够计算字符化时间序列的距离度量的方法很少，为此，提出了一种新的字符化的时间序列表示方法BSAP。该方法既能进行维度约简又允许在符号化后的时间序列表示法上定义距离度量。实验分别在合成数据和实际数据上进行，实验表明该方法具有更高的运算效率且需要较少的空间。 　　关键词：时间序列； 数据挖掘； 符号化表示； 相似性查找 　　中图分类号：TP301 文献标志码：A 文章编号：1001-3695(2008)08-2328-04 　　 　　Novel binary symbolic representation of time series for similarity 　　SUN Mei-yu??1,2??， FANG Jian-an??1 　　（1.College of Information Science Technology, Donghua University, Shanghai 201620, China； 2. Dept. of Computer, Shandong Labour 　　Union Administrators College, Jinan 250100, China） 　　Abstract:In spite of there are dozens of techniques for producing different variants of the symbolic representation, there still have no known method to calculate the distance in the symbolic space to provide the lower bounding guarantee. This paper proposed a novel bit level symbolic representation called BSAP. The representation was unique in which it allowed dimensionality reduction and it also granted a lower bound distance measure defined on the symbolic representation. The experiments was performed on synthetic, as well as real data sequences to evaluate the proposed method. 　　Key words：time series; data mining; symbolic representation; similarity search 　　 　　在时间序列的相似性查找问题中，一个难点是如何高效地表示时间序列。近几年来，在数据挖掘和数据仓库中时间序列扮演着越来越重要的角色。时间序列是按时间顺序排列的、随时间变化且相互关联的数据序列，即时间序列??S={S??i，0≤t[1]。 　　在数据挖掘的文献中提到了很多高效的时间序列表示方法[2~5]，然而关于时间序列数据进行符号化表示的问题始终没有得到很好的解决。近十年来，提出了很多高效的算法和数据结构，这些算法能够对字符串进行高效的运算，且已经得到了很多学科包括分析复杂生物资料学科的关注[6~8]。针对字符串定义了很多工具，包括散列法、马尔科夫模型、后缀树、决策树等。 　　尽管已经提出了很多符号化的时间序列表示方法[9，10]，但目前为止能够计算字符串化的时间序列的距离度量的依旧很少。本文提出了新的位字符串表示方法BSAP能够实现符号化后的时间序列的距离度量，且满足无漏报原则[2]，即要求数据表示满足以下条件(下边界引理): 　　??D??F(q,s)≤D(q,s)??(1) 　　即约简后的距离应不大于原先的距离。其中：??q??是查询序列；??s??是数据集中的任意序列；??D??F??是约简空间中的两序列距离；??D??是真实的两序列距离。 　　本文中所提出的BSAP方法是一种离散化的表示方法，它采用了一个中间步骤进行第一步转换，即首先将初始的时间序列数据转换成APCA（adaptive piecewise constant approximation）表示法，再将得到的表达式进行符号化表示。采用这种做法有如下优点：a)APCA表示法是一种高效的时间序列表示法，能够高效地进行时间序列数据挖掘任务，可以利用其高效的降维技术进行维度约简。b)可以很容易地证明笔者所提出的符号化的时间序列表示方法具有比初始