Asymmetric Learning Vector Quantization for Efficient Nearest Neighbor Classification in Dynamic Time Warping Spaces
Technische Universität Berlin(柏林工业大学)
最近邻法和动态时间规整距离是时间序列分类中最常用的方法之一。这种方法对于大型训练集具有高存储和计算要求。为了解决这两个问题,本文将学习矢量量化(LVQ)从欧氏空间扩展到DTW空间。所提出的LVQ方案使用非对称加权平均作为更新规则。实验结果表明,非对称广义LVQ(GLVQ)优于其他国家的最先进的原型生成方法的最近邻分类的性能。
2017-03-24 cs.LG stat.ML
Optimal Warping Paths are unique for almost every Pair of Time Series
Technische Universität Berlin(柏林工业大学)
在动态时间规整空间中学习的更新规则是基于参数和输入时间序列之间的最优规整路径。通常情况下,最优翘曲路径不是唯一的,这在理论和实践中产生了不利的影响。在平方误差局部成本的假设下,我们证明了在测度论意义上,没有两条翘曲路径几乎处处具有相同的成本。这个结果的两个直接结果是:(i)最优扭曲路径几乎在任何地方都是唯一的,以及(ii)具有多个等成本扭曲路径的所有时间序列对的集合与二次型的指数许多零集合的并集一致。所提出的结果的一个含义是,典型的基于距离的成本函数,如k-means目标是可微的几乎无处不在,可以通过次梯度方法最小化。
2018-03-02 cs.AI cs.LG stat.ML
Amercing: An Intuitive, Elegant and Effective Constraint for Dynamic Time Warping
Monash University(莫纳什大学)
动态时间规整(DTW)及其约束(CDTW)和加权(WDTW)变体是具有广泛应用的时间序列距离。它们最大限度地减少了系列之间非线性对齐的成本。CDTW和WDTW已经被引入,因为DTW在其对齐中过于宽松。然而,CDTW使用粗糙的阶跃函数,允许在窗口内不受约束的灵活性,并且没有超出它WDTW的乘法权重是相对于沿着扭曲路径对齐的点之间的距离,而不是引入的扭曲量的直接函数。在本文中,我们介绍了Amerced动态时间规整(ADTW),一个新的,直观的,DTW的变种,惩罚行为的翘曲由一个固定的附加成本。像CDTW和WDTW一样,ADTW约束翘曲量。然而,它避免了在允许的扭曲量和乘法惩罚的限制中的突然不连续性。我们正式介绍ADTW,证明它的一些性质,并讨论其参数化。我们展示了一个简单的例子,它可以被参数化,以实现一个直观的结果,并证明其实用性的标准时间序列分类基准。我们提供了一个C++的演示应用程序。
2021-11-26 cs.LG
Dynamic State Warping
University of Science and Technology of China(中国科学技术大学)
序列在许多领域中的普遍存在增强了序列学习的兴趣,其中一个基本问题是如何测量序列之间的距离。动态时间规整(DTW)通过非线性局部规整来对齐两个序列并返回距离值。DTW在视频、图像等应用中表现出优越的性能。然而,在DTW中,两个点的配对基本上是基于点到点的欧氏距离(ED),而不考虑序列的自相关性。因此,具有不同语义含义的点(例如,峰和谷)可以被匹配,只要它们的坐标值相似。因此,DTW对噪声敏感且难以解释。本文提出了一种高效灵活的序列比对算法--动态变形算法。DSW将每个时间点转换为潜在状态,从而赋予逐点自相关信息。通过使用状态序列来执行比对。因此,DSW能够产生比DTW更语义可解释的对齐。使用一个最近邻分类器,DSW显示出与ED(70/85胜)和DTW(74/85胜)相比在分类精度上的显著改善。我们还经验证明,DSW是更强大的,更好地扩展到长序列比ED和DTW。
2017-03-03 cs.LG
Early Abandoning and Pruning for Elastic Distances including Dynamic Time Warping
Monash University(莫纳什大学)
弹性距离下的最近邻搜索是时间序列分析的一个重要工具,支持许多应用。然而,距离的直接实现需要$O(n^2)$空间和时间复杂度,从而阻止这些应用扩展到长系列。许多工作都致力于加快NN搜索过程,主要是下限的发展,允许在超过给定阈值时避免昂贵的距离计算。由相似性搜索过程提供的该阈值还允许提前放弃距离本身的计算。另一种方法是修剪部分计算。所有这些技术都是相互正交的。在这项工作中,我们开发了一个新的通用策略,“EAPruned”,紧密结合修剪与早期放弃。我们将其应用于六个弹性距离措施:DTW,CDTW,WDTW,ERP,MSM和TWE,在NN搜索应用程序中显示出显着的加速。单独修剪也显示了一些距离的显著加速,有利于NN搜索范围之外的应用(例如,需要所有成对距离),因此早期放弃不适用。我们将我们的实现作为一个新的C++库的一部分发布,用于时间序列分类,以及易于使用的Python/Numpy绑定。
2021-06-03 cs.LG
Agglomerative Hierarchical Clustering with Dynamic Time Warping for Household Load Curve Clustering
Western University(西安大略大学)
能源公司经常实施各种需求响应(DR)计划,通过在关键时期为消费者提供减少需求的激励措施来更好地匹配电力需求和供应。根据客户的消费模式对客户进行分类,可以针对特定的消费者群体进行DR。传统的聚类算法使用标准的距离测量来找到两点之间的距离。聚类算法(如K-means、K-medoids和高斯混合模型)产生的结果取决于聚类参数或初始聚类。相比之下,我们的方法使用基于形状的方法,结合凝聚层次聚类(AHC)与动态时间弯曲(DTW)的住宅家庭的日常负荷曲线分类的基础上,他们的消费模式。虽然DTW寻求两个负载曲线之间的最佳对齐,但AHC提供了一个现实的初始聚类中心。在本文中,我们与其他聚类算法,如K-means,K-medoids,和GMM使用不同的距离措施的结果进行比较,我们表明,AHC使用DTW优于其他聚类算法,需要更少的集群。
2022-10-18 cs.LG
Generalized Time Warping Invariant Dictionary Learning for Time Series Classification and Clustering
Peking University(北京大学);University of Iowa(爱荷华大学);Shanghai Jiao Tong University(上海交通大学)
本文提出一种广义时间规整不变字典学习算法,通过连续基函数线性组合构成的广义时间规整算子解决DTW的离散性过拟合问题,采用块坐标下降法联合优化参数,并在十组公共数据集上验证了其在分类与聚类任务中的优越性。
2023-06-30 cs.LG stat.ML
Parameterizing the cost function of Dynamic Time Warping with application to time series classification
Monash University(莫纳什大学)
动态时间规整(DTW)是一种流行的时间序列距离度量,它将两个序列中的点彼此对齐。这些对齐支持时间维度的扭曲,以允许以不同速率展开的过程。该距离是在时间维度的任何允许的扭曲上所产生的路线的成本的最小总和。两个点的对齐成本是这些点的值之差的函数。原始成本函数是该差值的绝对值。已提出其他成本函数。一个流行的替代方法是差值的平方。然而,据我们所知,这是第一次调查使用不同成本函数的相对影响和调整成本函数以适应不同任务的潜力。我们在本文中这样做,通过使用一个可调的成本函数λγ参数γ。我们发现,γ值越高,对较大的成对差异的权重越大,而γ值越低,对较小的成对差异的权重越大。我们证明,训练γ显着提高了DTW最近邻和邻近森林分类器的准确性。
2023-03-29 cs.LG
(k, l)-Medians Clustering of Trajectories Using Continuous Dynamic Time Warping
University of Sydney(悉尼大学);TU Eindhoven(埃因霍温理工大学);Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
由于可用地理空间数据的数量大量增加,并且需要以可理解的方式呈现它,因此对这些数据进行聚类比以往任何时候都更加重要。由于集群可能包含大量的对象,因此为每个集群提供一个代表可以极大地促进对集群的理解。依赖于这些代表的聚类方法被称为基于中心的。在这项工作中,我们考虑基于中心的轨迹聚类的问题。在这种情况下,集群的代表再次是轨迹。为了获得聚类的紧凑表示并避免过拟合,我们通过参数l来限制代表性轨迹的复杂性。然而,这种限制使得离散距离测量(如动态时间规整(DTW))不太适合。最近的工作是基于中心的聚类的轨迹与连续的距离测量,即弗雷谢距离。虽然Fréchet距离允许限制中心复杂度,但它也可能对离群值敏感,而平均型距离度量,如DTW,则不那么敏感。为了获得一个轨迹聚类算法,允许限制中心的复杂性,是更强大的离群值,我们建议使用连续版本的DTW作为距离度量,我们称之为连续动态时间规整(CDTW)。我们的贡献是双重的:1。针对CDTW缺乏实用算法的问题,提出了一种计算CDTW的近似算法。我们开发的第一个聚类算法下的距离测量,并显示一个实用的方法来计算一组轨迹的中心,随后迭代地改进it. To获得深入了解下的实际数据的CDTW聚类结果,我们进行了广泛的实验。
2020-12-01 cs.CG cs.LG
SoftDTW-CUDA-Torch: Memory-Efficient GPU-Accelerated Soft Dynamic Time Warping for PyTorch
The Faculty of Computer and Information Science Ben-Gurion University of the Negev(计算机与信息科学学院贝京大学)
SoftDTW-CUDA-Torch通过GPU加速实现高效的软动态时间规整,解决内存消耗和数值稳定性问题,支持任意序列长度和PyTorch自动求导。
2026-02-19 cs.LG
Warping and Matching Subsequences Between Time Series
Dept. of Computer Science, KU Leuven(卢森堡鲁文大学计算机科学系)
针对时间序列比较中缺乏定性结构分析的问题,本文提出一种简化扭曲路径的技术,以突出并可视化子序列间的偏移、压缩和振幅差异等关键变换,从而增强比较的可解释性。
2025-06-18 cs.AI cs.LG stat.ML
Clustering of Bank Customers using LSTM-based encoder-decoder and Dynamic Time Warping
Amirkabir University of Technology(阿米尔卡比尔理工大学)
聚类是一种无监督的数据采掘技术,可用于细分客户。客户的有效聚类使银行能够根据目标客户的特征设计和提供服务。本研究使用一个真实世界的金融数据集(Berka,2000)聚类银行客户的编码器-解码器网络和动态时间规整(DTW)的方法。聚类所需的客户特征可以通过四种方式获得:动态时间规整(DTW),最近频率和货币(RFM),LSTM编码器-解码器网络以及我们提出的混合方法。一旦LSTM模型被客户交易数据训练,编码器就会自动提取每个客户的特征向量。此外,使用DTW获得交易金额序列对之间的距离。通过RFM评分为客户计算另一个向量特征。在混合方法中,特征向量从编码器-解码器输出、DTW距离和人口统计数据(例如,年龄和性别)。最后,将特征向量作为输入引入k-means聚类算法,并将聚类结果与Silhouette和Davies-Bouldin指标进行比较。因此,从混合方法得到的集群是更准确和有意义的比那些来自个人聚类技术。此外,神经网络层的类型对聚类有很大的影响,高的网络错误并不一定会恶化聚类性能。
2021-10-22 cs.AI cs.LG stat.ML
Multi-Year Vector Dynamic Time Warping Based Crop Mapping
Scientific and Technological Research Council of Turkey (TÜBİTAK) Space Technologies Research Institute (UZAY)(土耳其科学技术研究理事会(TÜBİTAK)空间技术研究所);Informatics Institute, Middle East Technical University(中东技术大学信息学研究所)
最近通过基于监督学习的方法的自动化作物制图已经展示了相对于经典技术的前所未有的改进。然而,大多数作物制图研究仅限于同年作物制图,即用当年的标记数据预测同年的作物图。这些方法的分类精度大大降低跨年度映射。跨年度作物制图更有用,因为它允许使用以前标记的数据预测下一年的作物图。我们提出了矢量动态时间规整(VDTW),一种新的多年分类方法的基础上翘曲的物候向量之间的角距离。结果表明,所提出的VDTW方法是强大的时间和光谱变化补偿不同的耕作方式,气候和大气的影响,以及测量误差之间的年。我们还描述了一种方法,用于确定最具歧视性的时间窗口,允许有限的数据的高分类精度。我们使用2013年至2016年的Landsat 8时间序列图像对我们的方法进行了测试,用于对哈兰平原的玉米和棉花以及土耳其东南部Bismil平原的玉米,棉花和大豆进行分类。此外,我们还利用协调的陆地卫星哨兵数据测试了2017年和2018年美国堪萨斯州的VDTW玉米和大豆。与其他最先进的方法相比,VDTW方法在相同和交叉年份分别实现了99.85%和99.74%的总体准确率,与其他最先进的方法相比,即光谱角映射器(SAM),动态时间规整(DTW),时间加权DTW(TWDTW),随机森林(RF),支持向量机(SVM)和深度长短期记忆(LSTM)方法。所提出的方法可以扩展到其他作物类型和/或地理区域。
2019-11-27 cs.CV cs.LG stat.ML
Exact Indexing of Time Series under Dynamic Time Warping
College of Equipment Management and UAV Engineering, Air Force Engineering University(空军工程大学装备管理与无人机工程学院);Center for OPTical IMagery Analysis and Learning (OPTIMAL), Northwestern Polytechnical University(西北工业大学光学影像分析与学习中心(OPTIMAL))
动态时间规整(DTW)是一种鲁棒的时间序列相似性度量方法。但它不满足三角不等式,且具有较高的计算复杂性,严重限制了它在大规模数据集相似性搜索中的应用。通常,我们采取较低的边界距离,以加快DTW下的相似性搜索。不幸的是,仍然缺乏一个有效的下界距离,可以衡量不等长的时间序列,并具有理想的紧密性。本文提出了一种新的下界距离LB_Keogh+,它是序列扩展和LB_Keogh的无缝结合。该算法可用于不等长序列,具有较低的计算复杂性。此外,LB_Keogh+可以将序列扩展到任意合适的长度,而不会显着降低紧密度。其次,基于LB_Keogh+,设计了DTW下时间序列的精确索引。然后,我们介绍了几个定理,并完成了相关的证明,以保证没有假解雇在我们的相似性搜索。最后,在真实世界的数据集上进行了广泛的实验。实验结果表明,该方法能够对不等长序列进行相似性搜索,具有较高的紧密度和良好的剪枝能力。
2020-02-11 cs.IR cs.LG
Power Data Classification: A Hybrid of a Novel Local Time Warping and LSTM
Nanyang Technological University(南洋理工大学);South China University of Technology(华南理工大学)
在本文中,数据中心的能源消耗监测和分析的目的,我们提出了检测在服务器上运行的程序,通过分类观察到的功耗序列。时间序列分类问题已经被广泛研究,开发了各种距离测量;最近,基于深度学习的序列模型也被证明是有前途的。本文提出了一种新的距离度量方法,并建立了一种最近邻和长短期记忆(LSTM)神经网络混合的时间序列分类算法。更具体地说,首先我们提出了一种称为本地时间扭曲(LTW)的新距离测量,它利用用户指定的局部扭曲集合,并且被设计为非交换和非动态规划。其次,我们将1 NN-LTW和LSTM杂交在一起。特别地,我们结合1 NN-LTW和LSTM的预测概率向量来确定测试用例的标签。最后,使用一个真实的数据中心的功耗数据,我们表明,所提出的LTW可以提高DTW的分类精度从约84%到90%。我们的实验结果证明,我们的数据集相比,现有的DTW变体和它的非交换功能,建议LTW是有竞争力的确实是有益的。我们还测试了线性版本的LTW,它可以显着优于现有的线性运行时下限方法,如LB_Keogh。此外,使用混合算法,对于幂级数分类任务,我们实现了高达约93%的准确率。本文的研究对时间序列距离度量以及深度学习模型与其他传统模型的融合具有启发意义。
2017-06-07 cs.LG cs.NE
Quantum Dynamic Time Warping for Multivariate Time Series Classification
CITIC Research Center(CITIC研究中心);Universidade da Coruña(科鲁纳大学)
提出混合量子动态时间规整(qDTW)架构,用量子希尔伯特空间的参数化几何替代欧氏距离,通过结构消融实验建立量子序列对齐拓扑规则,并引入解耦预嵌入伴随拟设,在避免相位混乱和信息瓶颈的同时,实现超越经典基线的多变量时间序列分类。
2026-06-29 cs.LG quant-ph
Line Space Clustering (LSC): Feature-Based Clustering using K-medians and Dynamic Time Warping for Versatility
Universitat Politècnica de Catalunya · Barcelona Tech - UPC(加泰罗尼亚理工大学(巴塞罗那理工大学));Ss. Cyril and Methodius University · UKIM(圣西里尔和美多德大学)
针对高维数据聚类受维度灾难和噪声影响的问题,提出将数据转为特征空间线、结合欧氏与DTW距离的LSC方法,实验验证其在含噪复杂数据集上的有效性。
2025-03-20 cs.LG
Elastic bands across the path: A new framework and methods to lower bound DTW
Monash University(莫纳什大学)
最近有新的兴趣,在开发有效的下界动态时间弯曲(DTW)的时间序列之间的距离。它们在时间序列索引、聚类、预测、回归和分类中有许多应用。时间序列分类的关键算法之一,基于DTW距离的最近邻算法(NN-DTW),由于DTW的二次复杂度,计算量非常大。下界搜索可以大大提高NN-DTW的速度。一个有效的和紧密的下界快速修剪掉不希望的最近邻候选人从搜索空间和最小化的代价DTW计算的数量。随着训练集大小的增加,下界搜索提供的速度变得越来越关键。不同的下限提供了计算时间和紧密度之间的不同权衡。大多数现有的下限与DTW扭曲窗口大小相互作用。它们在较小的扭曲窗口尺寸下非常紧密和有效,但随着扭曲窗口的增加而变得松散,从而降低了NN-DTW的修剪效果。在这项工作中,我们提出了一个新的类的下界,比流行的Keogh下界更紧,同时需要类似的计算时间。我们的新的下界利用DTW边界条件,单调性和连续性约束,以创建一个更严格的下界。特别重要的是,即使对于大窗户,它们仍然相对紧密。这些新的下限的单个参数控制速度-紧密度权衡。我们证明,这些新的下界提供了一个特殊的平衡之间的计算时间和紧密度的NN-DTW时间序列分类任务,从而大大提高效率的NN-DTW下界搜索。
2019-02-14 cs.LG stat.ML
OTW: Optimal Transport Warping for Time Series
Salesforce Research(赛富时研究院)
本文提出基于最优传输的时间序列度量 OTW,以线性时间/空间、可微且可并行的特性替代 DTW,并在分类、聚类和深度学习任务中验证其效果。
2023-06-01 cs.LG
TC-DTW: Accelerating Multivariate Dynamic Time Warping Through Triangle Inequality and Point Clustering
William G. Enloe High School(威廉·G·恩洛高中);North Carolina State University(北卡罗来纳州立大学)
动态时间规整(DTW)在时间序列分析中起着重要的作用。尽管大量的研究加速单变量DTW,多变量DTW的方法并没有得到改善,在过去的二十年。今天使用的最流行的算法仍然是17年前开发的算法。本文提出了一种解决方案,据我们所知,第一次始终优于经典的多变量DTW算法在数据集大小,序列长度,数据维度,时间窗口大小和机器。新的解决方案,命名为TC-DTW,引入三角不等式和点聚类的算法设计的下限计算的多元DTW。在基于DTW的最近邻查找的实验中,新的解决方案避免了多达98%(平均60%)的DTW距离计算,并产生多达25倍(平均7.5倍)的加速比。
2021-01-20 cs.AI cs.DB cs.LG
Free congruence: an exploration of expanded similarity measures for time series data
University of Southern California(南加利福尼亚大学);Universität für Musik und darstellende Kunst Graz(格拉茨音乐与表演艺术大学)
时间序列相似性度量在包括训练机器学习模型、分类和预测建模在内的广泛的新兴应用中是高度相关的。时间序列的标准相似性度量通常涉及点对点距离度量,包括欧氏距离和动态时间弯曲。这种相似性度量基本上要求被比较的时间序列中的值的波动遵循要建立的相似性的相应顺序或节奏。本文是由探索更广泛的定义相似性,即一个考虑到纯粹的数值之间的相似性的时间序列段的统计特性集的价值标签无关的刺激。此外,时间序列段之间是否存在共同的模式成分进行了检查,即使它们以排列顺序出现,这不一定满足更传统的点对点距离测量的标准。在相同的上下文数据上,将结果与动态时间规整的结果进行了比较。令人惊讶的是,测试的统计属性集之间的数值相似性建立了一个更强的相似性配对的下降年更大的统计意义比动态时间弯曲的特定数据和样本量使用。
2021-01-17 cs.LG
Generative Adversarial Network with Soft-Dynamic Time Warping and Parallel Reconstruction for Energy Time Series Anomaly Detection
Indian Institute of Science(印度科学研究所);FLAME University(FLAME大学)
本文提出一种结合一维DCGAN与Soft-DTW的能源时间序列异常检测方法,通过并行重建加速检测并提升建筑能耗异常识别能力。
2024-02-22 cs.LG
Dynamic Time Warping based Adversarial Framework for Time-Series Domain
Washington State University(华盛顿州立大学)
提出基于动态时间规整的对抗框架DTW-AR,用于生成时间序列对抗样本并提升DNN鲁棒性,实验验证其有效性。
2022-11-22 cs.LG
An Experimental Evaluation of Nearest Neighbour Time Series Classification
University of East Anglia(东英吉利大学)
时间序列分类(TSC)的数据采掘研究主要集中在最近邻分类器的替代距离度量上。标准做法是使用具有欧几里德或动态时间规整(DTW)距离的1-NN作为比较的稻草人。作为对TSC~ \cite{lines14elastic}弹性距离测量的更广泛调查的一部分,我们进行了一系列实验来测试该标准实践是否有效。具体来说,我们比较了具有欧氏距离和DTW距离的1-NN分类器与标准分类器,考察了1-NN欧氏距离的性能是否随着案例数的增加而接近1-NN DTW,评估为$k$设置$k$是否有任何益处-NN通过交叉验证是否值得通过交叉验证为DTW设置扭曲路径,最后是使用窗口还是DTW的权重。基于77个问题的实验,我们得出结论,1-NN与欧几里德距离是相当容易击败,但1-NN与DTW不是,如果窗口大小设置通过交叉验证。
2014-06-18 cs.LG
Tight lower bounds for Dynamic Time Warping
Monash University(莫纳什大学)
动态时间规整(DTW)是一种流行的相似性度量对齐和比较时间序列。由于DTW的高计算时间,下界经常被用来筛选不良匹配。已经提出了许多替代的下限,提供了一系列不同的权衡之间的紧密性和计算效率。LB Keogh在许多应用中提供了有用的权衡。最近的两个下限,LB改进和LB增强,大大比LB基奥更紧。所有三个具有相同的最差情况计算复杂性-相对于序列长度为线性,相对于窗口大小为常数。我们提出了四个新的DTW下界在相同的复杂性类。LB Petitjean比LB Improved严格得多,只有适度的额外计算开销。LB Webb比LB Improved更有效,同时通常提供更严格的约束。LB Webb总是比LB Keogh更紧。无参数LB Webb通常比LB Enhanced更严格。参数化的变体LB Webb Enhanced总是比LB Enhanced更紧密。另一个变体LB Webb* 对某些约束距离函数很有用。在大量的实验中,LB Webb被证明是非常有效的最近邻搜索。
2021-03-02 cs.LG
Early Recognition of Sepsis with Gaussian Process Temporal Convolutional Networks and Dynamic Time Warping
ETH Zurich(苏黎世联邦理工学院);SIB Swiss Institute of Bioinformatics(瑞士生物信息学研究所)
脓毒症是一种危及生命的宿主对感染的反应,与高死亡率、发病率和健康成本相关。它的管理是高度时间敏感的,因为每一个小时的延误治疗增加死亡率由于不可逆转的器官损伤。与此同时,尽管进行了数十年的临床研究,但仍缺少脓毒症的可靠生物标志物。因此,通过利用丰富的高分辨率重症监护记录来早期检测脓毒症已经成为一个具有挑战性的机器学习问题。深度学习和数据采掘的最新进展有望提供一套强大的工具来有效地解决这一任务。这项实证研究提出了两种新的方法,早期检测败血症:一个深度学习模型和一个懒惰的学习者基于时间序列的距离。我们的深度学习模型采用了嵌入在多任务高斯过程适配器框架中的时间卷积网络,使其直接适用于不规则间隔的时间序列数据。相比之下,我们的懒惰学习器是一种采用动态时间扭曲的集成方法。我们将脓毒症的及时检测框架为监督时间序列分类任务。为此,我们以每小时的分辨率导出最新的脓毒症定义,以提供第一个完全可访问的早期脓毒症检测环境。在脓毒症发病前7小时,我们的方法将精确-召回曲线下面积从0.25提高到0.35/0.40,这表明它们非常适合在管理最有效的关键早期阶段检测脓毒症。
2020-10-15 cs.LG stat.AP stat.ML
Discrete Autoregressive Transformer for Generative Mechanism Synthesis
Computer-Aided Design and Innovation Lab, Department of Mechanical Engineering, Stony Brook University(石溪大学机械工程系计算机辅助设计与创新实验室)
提出离散自回归变压器,将平面路径综合转化为条件序列建模,通过VAE潜在变量和机构类型令牌生成关节坐标,实现多样准确机构设计。
2026-06-17 cs.AI cs.LG
Aligning Time Series on Incomparable Spaces
Centre for Artificial Intelligence(人工智能中心);University College London(伦敦大学学院);Imperial College London(帝国理工学院);Facebook AI Research(Facebook人工智能研究院)
动态时间规整(DTW)是一种用于对齐、比较和组合时间序列的有效方法,但它要求时间序列存在于可比空间中。在这项工作中,我们考虑一个设置中,时间序列生活在不同的空间没有一个合理的地面度量,导致DTW变得不明确。为了缓解这一问题,我们提出了Gromov动态时间规整(GDTW),这是一种潜在不可比空间上的时间序列之间的距离,通过考虑关系内几何来避免可比性要求。我们证明了它的有效性对齐,组合和比较生活在无与伦比的空间的时间序列。我们进一步提出了一个平滑版本的GDTW作为一个可微的损失,并评估其属性在各种设置,包括重心平均,生成建模和模仿学习。
2021-02-22 cs.LG stat.ML
Sparsification of the Alignment Path Search Space in Dynamic Time Warping
IRISA(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);Université Bretagne-Sud(南布列塔尼大学)
时态数据自然无处不在,特别是在大数据和物联网出现的数字时代。在时态数据分析和挖掘过程中出现的一个主要挑战是时间序列或序列的比较,这需要确定适当的距离或(不)相似性度量。在这种情况下,动态时间规整(DTW)在许多领域都取得了成功,由于其“时间弹性”,一个属性,特别是在匹配时间数据时有用。不幸的是,这种相异度测量遭受二次计算成本,这禁止其用于大规模应用。这项工作解决了DTW类措施的对齐路径搜索空间的稀疏化,基本上是为了降低其计算成本,而不损失的质量的措施。作为我们的稀疏化方法的结果,两个新的(反)相似性措施,即SP-DTW(稀疏路径搜索空间DTW)和它的核SP-K rdtw(稀疏路径搜索空间K rdtw内核)提出了时间序列比较。广泛的公共数据集被用来评估的效率(估计在加速比和分类精度方面)的建议(反)相似性措施的1-最近邻(1-NN)和支持向量机(SVM)分类算法。我们的实验表明,我们提出的措施提供了一个显着的速度,而不损失的准确性。此外,在稍微降低的加速比的成本,他们显着优于旧的,但众所周知的Sakoe-Chiba的方法,减少了DTW路径搜索空间使用对称走廊的准确性标准。
2017-11-13 cs.LG
Uncertainty-DTW for Time Series and Sequences
Australian National University(澳大利亚国立大学);Data61/CSIRO(Data61/澳大利亚联邦科学与工业研究组织)
动态时间规整(DTW)用于匹配序列对,并且在诸如预测时间序列的演变、聚类时间序列甚至匹配Few-Shot动作识别中的序列对等应用中享有盛誉。DTW的运输计划包含一组路径;每条路径在不同程度的时间扭曲下匹配两个序列之间的帧,以考虑不同的时间类内动态行为。然而,由于DTW是所有路径中的最小距离,因此它可能受到跨时间步长/帧变化的特征不确定性的影响。因此,在本文中,我们建议建立所谓的任意不确定性的可微(软)版本的DTW。为此,我们通过正态分布的似然乘积对每条路径的异方差任意不确定性进行建模,每条路径都捕获帧对的方差。(The路径距离是路径的帧对的特征之间的基本距离之和)。应用于路径的最大似然估计(MLE)产生两项:(i)由方差倒数加权的欧几里得距离之和,以及(ii)对数方差正则化项之和。因此,我们的不确定性DTW是所有路径中最小的加权路径距离,正则化项(高不确定性的惩罚)是沿着路径的对数方差的总和。距离和正则化项可以用于各种目标。我们展示了预测时间序列的演变,估计时间序列的Fréchet平均值,以及有监督/无监督的Few-Shot动作识别的铰接人体3D关节。
2022-10-30 cs.AI cs.CV cs.LG
Diffeomorphic Transformations for Time Series Analysis: An Efficient Approach to Nonlinear Warping
University of Navarra(纳瓦拉大学);Vicomtech, Basque Research and Technology Alliance(巴斯克研究与技术联盟Vicomtech)
本文针对DTW计算复杂、不可微且对噪声敏感的问题,提出可微可逆的参数化微分同胚扭曲变换,并用于对齐、分类、聚类及归一化流。
2023-09-25 cs.AI cs.LG
A Review and Evaluation of Elastic Distance Functions for Time Series Clustering
School of Computing Sciences, University of East Anglia(东英吉利大学计算科学学院)
本文回顾并评估了九种弹性距离度量在时间序列聚类中的性能,发现结合编辑与规整的 MSM 方法表现最佳,推荐将 MSM 与 k-medoids 结合作为基准算法。
2023-04-26 cs.LG
Time Series Classification by Class-Specific Mahalanobis Distance Measures
Université du Québec à Montréal(魁北克大学蒙特利尔分校);Budapest University of Technology and Economics(布达佩斯技术与经济大学)
为了通过最近邻对时间序列进行分类,我们需要指定或学习一个或多个距离度量。我们考虑依赖于数据的逆协方差矩阵的马氏距离的措施的变化。不幸的是-对于时间序列数据-协方差矩阵的秩通常很低。为了缓解这个问题,我们可以使用伪逆,协方差收缩或限制矩阵的对角线。我们审查这些替代品和基准对竞争力的方法,如相关的大间隔最近邻分类(LMNN)和动态时间规整(DTW)的距离。正如我们所预期的,我们发现DTW是优越的,但Mahalanobis距离措施是一个到两个数量级快。为了使用马氏距离度量获得最佳结果,我们建议使用协方差收缩或对角方法来学习每个类的一个距离度量。
2012-07-02 cs.LG
Elastic Similarity and Distance Measures for Multivariate Time Series
Monash University(莫纳什大学);Univ. Bretagne Sud(南布列塔尼大学);IRISA(法国信息与随机系统研究所);CNRS(法国国家科学研究中心)
本文提供了七种常用的弹性相似性和距离测度的多变量版本,用于时间序列数据分析。弹性相似性和距离度量是一类可以补偿时间序列数据在时间轴上的不对齐的相似性度量。我们适应两个现有的策略中使用的多变量版本的著名的动态时间规整(DTW),即独立和依赖DTW,这七个措施。虽然这些措施可以应用于各种时间序列分析任务,我们证明了他们的效用多变量时间序列分类使用最近邻分类器。在23个著名的数据集上,我们证明了除了一个之外的每一个测量都在至少一个数据集上相对于其他测量达到了最高的准确度,这支持了开发一套多变量相似性和距离测量的价值。我们还证明,有数据集的依赖版本的所有措施是更准确的比他们的独立同行,反之亦然。此外,我们还构建了一个最近邻为基础的集成的措施,并表明它是竞争力的其他国家的最先进的单策略的多元时间序列分类器。
2023-01-17 cs.LG stat.ML
Multi-task learning of time series and its application to the travel demand
Naver Labs Europe(Naver实验室欧洲分部)
我们解决的问题,建模和预测的一组时间事件的背景下,智能交通系统。为了利用不同事件共享的信息,我们提出了一个多任务学习框架。我们开发了一个支持向量回归模型,用于相互依赖的时间序列的联合学习。它是先前为分类案例开发并扩展到时间序列的基于正则化的多任务学习。我们讨论观察到的时间序列的相关性,并首先部署动态时间弯曲距离测量,以确定组相似的系列。然后,我们考虑到时间和尺度扭曲,并建议通过推断其共同的潜在表示来对齐多个时间序列。我们测试了所提出的模型在南希(法国)公共交通系统的出行需求预测问题,并分析了多任务学习的好处。
2017-12-21 cs.AI cs.LG
High Dimensional Time Series Generators
Humboldt-Universität zu Berlin(柏林洪堡大学)
多维时间序列是由实值向量组成的序列。它们出现在不同的领域,例如手写字符、GPS跟踪和现代虚拟现实运动控制器的手势。在这些领域中,一个共同的任务是搜索相似的时间序列。动态时间规整(DTW)是一种比较两个时间序列的常用距离函数。带实际惩罚的编辑距离(ERP)和养狗距离(DK)是时间序列上的两个距离函数。他们的行为进行了分析1维时间序列。然而,要评估它们与不断增长的维度有关的行为并不容易。出于这个原因,我们提出了两个新的数据合成器生成多维时间序列。第一个合成器扩展了众所周知的圆柱钟形漏斗(CBF)数据集的多维时间序列。这里,每个时间序列在每个维度上都有一个任意的类型(圆柱形、钟形或漏斗形),因此对于$d$维时间序列,有$3^{d}$不同的类。第二个合成器(RAM)创建时间序列,其思想来自布朗运动,这是物理学中常见的运动模型。最后,我们评估的适用性1-最近邻分类器使用DTW对我们的合成器生成的数据集。
2018-04-19 cs.LG stat.ML
Unsupervised Distance Metric Learning for Anomaly Detection Over Multivariate Time Series
School of Software Technology, Zhejiang University(浙江大学软件学院);Donghai Laboratory(东海实验室)
针对多元时间序列异常检测缺乏无监督鲁棒距离方法的问题,提出 FCM-wDTW,结合局部加权 DTW 与模糊 C 均值聚类学习潜在空间并重构识别异常,在 11 类基准上展现准确且高效的性能。
2024-03-04 cs.AI cs.LG
Beyond Point Matching: Evaluating Multiscale Dubuc Distance for Time Series Similarity
Department of Computer Science, University of Missouri-St. Louis, MO, USA(计算机科学系,密苏里州立大学)
本文评估多尺度杜布克距离(MDD)在时间序列相似性上的表现,证明其相比动态时间规整(DTW)在多个时间尺度上避免点匹配,且在模拟和UCR数据集及真实分类任务中均显著优于DTW。
2025-10-21 astro-ph.SR cs.LG
Improved Learning via k-DTW: A Novel Dissimilarity Measure for Curves
TU Dortmund(杜伊斯堡-艾森大学);University of Cologne(科隆大学);Université Côte d’Azur(蔚蓝海岸大学);CNRS(法国国家科学研究中心);Inria(法国国家信息与自动化技术研究所);Aarhus University(阿arhus大学)
本文提出用于多边形曲线的新颖相异度度量 $k$-DTW,证明其比 DTW 和 Fréchet distance 具有更强度量性质与抗异常值能力,给出精确与近似算法,首次证明曲线的与维度无关学习界限,并实验验证其在聚类与最近邻分类中的优势。
2025-05-29 cs.CG cs.DS cs.LG
Matrix Profile XXVII: A Novel Distance Measure for Comparing Long Time Series
University of California, Riverside(加州大学河滨分校);Visa Research(维萨研究院)
最有用的数据采掘基元是距离度量。通过有效的距离度量,可以执行分类,聚类,异常检测,分割等。对于单事件时间序列,欧氏距离和动态时间弯曲距离是非常有效的。然而,对于包含周期性行为的时间序列,这种比较的语义意义不太清楚。例如,在两个不同的日子,来自运动员锻炼例程的遥测可能非常相似。第二天可能会改变执行俯卧撑和深蹲的顺序,增加引体向上的重复,或完全省略哑铃卷发。任何这些微小的变化都将击败现有的时间序列距离措施。一些袋的功能方法已被提出来解决这个问题,但我们认为,在许多情况下,相似性是密切相关的形状,这些较长的时间序列内的连续性。在这种情况下,总结性特征将缺乏区分能力。在这项工作中,我们介绍了PRCIS,它代表系列中的模式表示比较。PRCIS是长时间序列的距离度量,它利用了我们用字典总结时间序列的能力的最新进展。我们将展示我们的想法在不同任务和数据集上的实用性。
2022-12-09 cs.AI cs.LG