基于目标特征的时间序列相似性计算方法技术

本发明专利技术属于计算机大数据挖掘与应用领域，具体涉及一种基于目标特征的时间序列相似性计算方法。本发明专利技术主要通过将一元时间序列根据使用者需要，分解为多个目标特征序列，并利用训练集训练得到的各目标特征单分类的准确度与距离分布确定各特征权重，最终在计算两时间序列距离时求出其各目标特征间的DTW距离，再进行加权相加，得到最终的目标特征距离，用以度量时序的相似性。本方法相比传统的相似度量方法，不仅可以用于整体的时序相似性度量，还可以针对某特征或多个特征的出现进行相似性度量，有更广泛的相似度量适用性。有更广泛的相似度量适用性。有更广泛的相似度量适用性。

【技术实现步骤摘要】
基于目标特征的时间序列相似性计算方法


[0001]本专利技术涉及计算机大数据挖掘与应用领域，具体涉及一种基于目标特征的时间序列相似性计算方法。

技术介绍

[0002]时间序列(Time Series)是一组按时间先后顺序对某一物理量进行观测得到的有序数据，这些数据通常是观察事件发生的记录或者特定模式的数值。这种数据在经济、医学、金融、气象等社会经济领域都有涉及。如商品在某一季度的销售额、病人在某个时段的心率变化、金融证券市场中某支股票的价格变动、天气预报中某地区的温度与湿度变化数据等。海量的时间序列数据形成规模庞大的时间序列数据库，在数据库中真实记录了各个时刻的所有应用数据信息。如果能够找到某种方法可以合理高效地处理这些数据，发现他们内部的相互关系，序列数据中的潜在信息便可以被充分挖掘，大大提高时间序列数据的实际使用价值。而时间序列数据挖掘的主要研究目的在于如何快速、有效的发现时间序列的潜在信息。
[0003]如何确定时间序列数据之间的距离，也即如何度量两个序列之间的相似度，是时间序列数据挖掘的基础问题，在kNN、SVM、k-Means本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于目标特征的时间序列相似性计算方法，其特征在于，包括以下步骤：S1.对一元时间序列训练集中的数据进行归一化处理；S2.定义时间序列的目标特征及其计算方式，并求出目标特征时序，将一元时序转换为目标特征时序组成的多元时序；S3.根据不同种类目标特征时序，将训练集中时间序列依次与其他时序数据的对应特征时序进行DTW距离计算，再根据距离进行1-NN分类，计算各种特征进行分类时的准确度，同时记录这个过程中各类目标特征距离的中位数，依据分类准度和中位数算出各目标特征的权重W；S4.对于待求距的两个时间序列归一化处理后，分别求出其目标特征时序，计算同类目标特征间的距离，再以S3求出的权重W进行加权累加，得到目标特征动态时间弯曲距离。2.根据权利要求1所述的基于目标特征的时间序列相似性计算方法，其特征在于，步骤S1中：对有k条数据的训练集数据D进行扫描，首先归一化到区间[0,1]中，归一方式如公式(1)所示：其中s
i
为时序原始数据，s
min
、s
max
分别为时序中的最大值和最小值。3.根据权利要求1所述的基于目标特征的时间序列相似性计算方法，其特征在于，步骤S2中：定义目标特征，即定义使用者关注或关心的特征，例如针对金融数据，可以定义以下目标特征：时间序列中相隔5点价格变动最大的10％的位置、价格变动最小的10％的位置，时间序列中相隔10点价格变动最大的5％的位置、价格变动最小的5％的位置，对时间序列进行100分段PAA均值处理后最大的40各位置、最小的40个位置，对时间序列进行50分段PAA均值处理后最大的20个位置、最小的20个位置等；根据使用者定义的目标特征，再定义各...

【专利技术属性】
技术研发人员：鄢越时，
申请(专利权)人：中南大学，
类型：发明
国别省市：