Clustering Time-Series by a Novel Slope-Based Similarity Measure Considering Particle Swarm Optimization
Southern Methodist University（南卫理公会大学）；Amirkabir University of Technology（阿米尔卡比尔理工大学）
由于时间序列在各个领域的广泛存在，近年来对时间序列数据采掘的研究越来越多，特别是时间序列聚类。时间序列形式的大量数据使得有必要采用诸如聚类的各种技术来理解数据并提取信息和隐藏模式。在聚类领域，特别是时间序列聚类中，最重要的方面是所使用的相似性度量和用于进行聚类的算法。在本文中，一个新的相似性度量的时间序列聚类的基础上开发的一个简单的时间序列表示，斜率的时间序列的每一段，欧氏距离和所谓的动态时间弯曲的组合。本文证明了所提出的距离度量是度量的，从而可以应用索引。对于聚类任务，采用粒子群优化算法。建议的相似性度量进行比较，现有的三种措施，用于评估聚类算法的各种标准。结果表明，该方法在几乎所有的数据集上都优于其他方法。
2019-12-05 cs.LG cs.NE stat.ML
Feature Trajectory Dynamic Time Warping for Clustering of Speech Segments
University of Stellenbosch（斯泰伦博斯大学）
动态时间规整（DTW）可以用于计算通常不同长度的两个序列之间的相似性。我们提出了一个修改DTW，执行个人和独立的成对对齐的特征轨迹。修改后的技术，称为特征轨迹动态时间规整（FTDTW），适用于作为一个相似性度量的凝聚层次聚类的语音段。实验使用MFCC和PLP parametrisations提取TIMIT和阿拉伯语数字口语数据集（SADD）的F-措施和归一化互信息（NMI）的质量得到的集群一致和统计上显着的改善。
2018-10-30 cs.LG cs.SD eess.AS
Pattern Localization in Time Series through Signal-To-Model Alignment in Latent Space
University of Cantabria（坎塔布里亚大学）；IMT Lille Douai（里尔-杜埃国立高等矿业电信学院）；Tecnatom S.A.（泰克纳通公司）
在本文中，我们研究的问题定位一个预定义的序列模式的时间序列。特别是，所研究的方案假设一个理论模型是可用的，其中包含的模式的预期位置。这个问题在几种情况下都会出现，通常通过首先从模型中合成时间序列，然后通过动态时间扭曲将其与真实时间序列对齐来解决。我们提出了一种技术，增加了这两个时间序列的相似性，然后将它们映射到一个潜在的相关空间。映射是通过机器学习设置从数据中学习的。无损检测数据的实验表明，所提出的方法显示出显着的改进，在最先进的。
2018-02-19 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
Matrix Profile XXII: Exact Discovery of Time Series Motifs under DTW
在过去的十年中，时间序列模体发现已经成为许多下游分析任务的有用原语，包括聚类，分类，规则发现，分割和总结。与此同时，人们越来越多地认识到动态时间规整（DTW）是许多环境中最好的时间序列相似性度量。然而，令人惊讶的是，几乎没有使用DTW来发现基序的工作。对此最明显的解释是，基序发现和DTW的使用在计算上都是具有挑战性的，并且目前解决其嗜睡的最佳机制是相互不兼容的。在这项工作中，我们提出了第一个可扩展的精确方法来发现DTW下的时间序列模体。我们的方法自动执行最佳的权衡之间的时间来计算和紧度的下限为一个新的层次结构的下限表示，我们介绍。我们表明，在现实的设置下，我们的算法可以允许修剪高达99.99%的DTW计算。
2020-09-16 cs.LG stat.ML
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
Emotional Expression Classification using Time-Series Kernels
Eötvös Loránd University（罗兰大学）；Carnegie Mellon University（卡内基梅隆大学）；University of Pittsburgh（匹兹堡大学）
人脸表情的估计，作为时空过程，可以利用核方法，如果一个人考虑面部标志的位置和它们在3D空间中的运动。我们应用支持向量分类与内核来自动态时间规整相似性措施。我们仅使用标记点向量的PCA压缩表示的“运动模式”（即所谓的形状参数）实现了超过99%的准确性（通过ROC曲线下面积测量）。除了完整运动模式的分类之外，在从它们开始的5-6帧（大约200毫秒）内，以超过90%的准确度识别了若干表情。
2013-06-08 cs.CV cs.LG stat.ML
Statistical Inference for the Dynamic Time Warping Distance, with Application to Abnormal Time-Series Detection
RIKEN（理化学研究所）；Nagoya University（名古屋大学）
本文针对DTW距离抽样分布难推导的问题，提出基于conditional selective inference框架的统计推断方法，首次为DTW距离提供有效p值，并应用于异常时间序列检测。
2023-10-23 cs.LG stat.ML
FastDTW is approximate and Generally Slower than the Algorithm it Approximates
University of California Riverside（加州大学河滨分校）
许多时间序列数据采掘问题可以通过重复使用距离测度来解决。这些任务的示例包括相似性搜索、聚类、分类、异常检测和分割。二十多年来，人们已经知道动态时间规整（DTW）距离测量是用于大多数领域中大多数任务的最佳测量。由于经典DTW算法具有二次时间复杂度，因此人们提出了许多方法来减少其摊销时间，或者快速逼近它，其中最常用的一种方法是FastDTW。FastDTW算法有超过一千次引用，并已明确用于数百项研究工作。在这项工作中，我们提出了一个令人惊讶的主张。在任何实际的数据采掘应用中，近似的FastDTW比精确的DTW慢得多。这一事实显然对使用该算法的社区有影响：允许它处理更大的数据集，获得准确的结果，并在更短的时间内完成。
2022-09-03 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
Semi-supervised 3D Video Information Retrieval with Deep Neural Network and Bi-directional Dynamic-time Warping Algorithm
Northwestern University（西北大学）
本文提出一种半监督深度学习算法，结合卷积循环网络与双向动态时间规整，实现基于视觉内容的二维和三维视频检索，并在多个公开数据集上优于现有最先进模型。
2023-09-03 cs.CV cs.LG
Improving Forecasts for Heterogeneous Time Series by "Averaging", with Application to Food Demand Forecast
针对同领域异质时间序列直接预测困难的问题，提出结合动态时间规整相似度与k近邻构建邻域、通过平均法提升简单模型预测效果的通用框架，并给出多种平均方式、理论依据及诊断工具。
2024-01-30 stat.ME stat.ML
Implementation and Evaluation of a Multivariate Abstraction-Based, Interval-Based Dynamic Time-Warping Method as a Similarity Measure for Longitudinal Medical Records
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
我们将动态时间规整（DTW）扩展为基于区间的动态时间规整（iDTW），包括（A）基于区间的表示（iRep）：[1]将原始的时间戳数据抽象为基于区间的抽象，[2]比较周期范围，[3]将抽象区间划分为给定的时间粒度;（B）基于区间的匹配（iMatch）：使用修改的DTW匹配分区的抽象概念记录。使用领域知识，我们将医疗记录的原始数据抽象为两种间隔类型：状态抽象（例如，低，高）和梯度抽象（例如，递增，递减）。我们创建了所有一维（状态或梯度）或多维（状态和梯度）抽象组合。任务：将161例肿瘤患者记录分类为自体或同种异体骨髓移植;将125例肝炎患者记录分类为乙型或丙型肝炎;预测151例2型糖尿病患者明年的微量或大量白蛋白尿。我们使用k-最近邻多数，k =从1到SQRT（N）的奇数，N =集合大小。进行了75，936次10倍交叉验证实验：33，600次（肿瘤学），28，800次（肝炎），13，536次（糖尿病）。测量：曲线下面积（AUC），最佳约登指数。配对t检验比较了除测试变量外的等效配置的结果向量，以确定显著的平均准确度差异（P<0.05）。使用抽象的平均分类和预测明显优于仅使用原始时间戳数据。在每个域中，至少有一个抽象组合导致了比原始数据更好的平均性能。增加特征数量和使用多维抽象增强了性能。与使用原始数据时不同，使用抽象，k=5时通常达到最佳平均性能。
2021-08-26 cs.AI cs.LG cs.SC
Entropic Dynamic Time Warping Kernels for Co-evolving Financial Time Series Analysis
Central University of Finance and Economics（中央财经大学）；Hefei University（合肥大学）；Xiamen University（厦门大学）；University of York（约克大学）
在这项工作中，我们开发了一个新的框架来衡量动态金融网络之间的相似性，即，时变金融网络特别是，我们探讨是否建议的相似性度量可以用来了解金融网络随时间的结构演化。对于一组时变金融网络，其中每个顶点表示不同股票的单个时间序列，并且一对时间序列之间的每个边表示其Pearson相关性的绝对值，我们的出发点是计算与网络结构的加权邻接矩阵相关联的通勤时间矩阵，其中矩阵的每个元素可以被视为成对股票之间的增强的相关值。对于每个网络，我们展示了通勤时间矩阵如何使我们能够识别一组可靠的显性相关时间序列以及属于该组的股票的相关显性概率分布。此外，我们将每个原始网络表示为从主导概率分布计算的离散主导香农熵时间序列。在经典动态时间规整框架的基础上，利用每对金融网络的主导熵时间序列，提出了一种用于分析金融时变网络的相似性度量方法。我们表明，建议的相似性度量是正定的，从而对应于图上的核测度。提出的内核之间的桥梁图内核和经典的动态时间弯曲框架多金融时间序列分析的差距。在纽约证券交易所（NYSE）数据库中提取的时变网络上的实验证明了该方法的有效性。
2019-10-21 cs.AI cs.CE cs.LG
metricDTW: local distance metric learning in Dynamic Time Warping
University of Southern California（南加州大学）
我们建议学习多个局部马氏距离度量来执行时间序列的k-最近邻（kNN）分类。时间序列首先通过动态时间规整（DTW）进行对齐;给定对齐路径，两个序列之间的相似性通过DTW距离来度量，DTW距离是沿着对齐路径匹配的时间点对之间的累积距离。传统上，欧几里德度量用于匹配对之间的距离计算，忽略了数据的冗余性，并且可能不是最佳的。在这里，我们建议学习多个Mahalanobis度量，使得DTW距离成为Mahalanobis距离的总和。我们采用大间隔最近邻（LMNN）框架来适应我们的情况，并将多度量学习公式化为线性规划问题。大量的序列分类结果表明，我们提出的多度量学习方法是有效的，不敏感的前面的比对质量，并达到最先进的性能在UCR时间序列数据集。
2016-06-11 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
Clustering of Urban Traffic Patterns by K-Means and Dynamic Time Warping: Case Study
Snapp Company（Snapp公司）
本文提出基于K-Means与动态时间规整的时间序列聚类算法，并利用Snapp应用驾驶员速度数据验证其在缺失速度估计和重要路段识别中的有效性。
2023-09-18 cs.AI 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
Using Machine Learning to Augment Dynamic Time Warping Based Signal Classification
Institute for Clarity in Documentation（文档清晰度研究所）；Inria Paris-Rocquencourt（法国国家信息与自动化研究所巴黎-罗克库尔中心）；Rajiv Gandhi University（拉吉夫·甘地大学）；Tsinghua University（清华大学）；Palmer Research Laboratories（帕尔默研究实验室）
诸如话音识别之类的现代应用依赖于将信号与预先录制的信号进行比较以对其进行分类的能力。然而，这种比较通常需要忽略由于信号噪声、时间偏移、信号幅度和其他外部因素引起的差异。动态时间扭曲（DTW）算法通过查找信号之间的对应区域并通过拉伸和收缩信号来非线性扭曲信号来量化这种相似性。不幸的是，搜索信号的所有“扭曲”以找到最佳对应区域的计算成本很高。FastDTW算法提高了性能，但由于只考虑小信号扭曲而牺牲了精度。我的目标是提高DTW的速度，同时保持高精度。我的主要见解是，在任何特定的应用领域，信号都表现出特定类型的变化。例如，针对两个不同的人测量的加速度计信号将基于他们的步幅长度和体重而不同。我的系统名为机器学习DTW（MLDTW），它使用机器学习来学习特定领域中常见的扭曲类型。然后，它使用学习到的模型通过适当限制对潜在扭曲的搜索来提高DTW性能。我的结果表明，与FastDTW相比，MLDTW至少同样快，并且在四个不同的数据集上平均减少了60%的错误。这些改进将显著影响各种各样的应用（例如健康监测），并实现对多变量、更高频率和更长信号记录的更可扩展处理。
2022-06-14 cs.LG
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
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
Early Abandoning PrunedDTW and its application to similarity search
Monash University（莫纳什大学）
动态时间规整（"DTW"）距离广泛用于时间序列分析，无论是分类、聚类还是相似性搜索。然而，它的二次时间复杂度阻止它扩展。基于早期放弃DTW或由于下界而完全跳过其计算的策略已经被开发用于某些用例，例如最近邻搜索。但是除了矢量化和近似之外，DTW本身并没有取得任何进展，直到最近引入PrunedDTW。这种算法，能够修剪没有希望的比对，后来与早期放弃。我们提出了一个新版本的PrunedDTW，“EAPrunedDTW”，设计与早期放弃从一开始就考虑到，并能够早期放弃比以前更快。我们表明，EAPrunedDTW显着提高了UCR套件中的相似性搜索的计算时间，并呈现下界。
2020-10-11 cs.LG
Similarity Learning for Time Series Classification
Univ Lyon（里昂大学）；UJM-Saint-Etienne（圣埃蒂安让·莫内大学）；CNRS（法国国家科学研究中心）；Institut d Optique Graduate School（法国光学研究所研究生院）；Grenoble-Alps University（格勒诺布尔-阿尔卑斯大学）
多元时间序列自然存在于许多领域，如能源，生物信息学，信号处理和金融。这些应用程序中的大多数都需要能够比较这些结构化数据。在这种情况下，动态时间规整（DTW）可能是最常见的比较措施。然而，并没有太多的研究工作已经投入到改善它的学习。在本文中，我们提出了一种新的方法来学习相似性DTW的基础上，以提高时间序列分类。利用统一的稳定性框架，我们提供了第一个理论保证的形式，线性分类的推广界。实验结果表明，该方法是有效的，同时产生稀疏分类器。
2016-10-15 cs.LG
Meet JEANIE: a Similarity Measure for 3D Skeleton Sequences via Temporal-Viewpoint Alignment
the Australian National University (ANU)（澳大利亚国立大学）；Singapore University of Technology and Design（新加坡科技设计大学）；Curtin University（科廷大学）；Australian National University (ANU)（澳大利亚国立大学）
本文提出了一种用于3D骨架序列的联合时间和相机视角对齐方法JEANIE，通过模拟相机视角并联合调整时间块匹配来消除无用变化，在有监督和无监督的少样本动作识别任务中取得了最先进的结果。
2024-03-25 cs.AI cs.CV cs.LG
GEO-BLEU: Similarity Measure for Geospatial Sequences
Yahoo Japan Corporation（雅虎日本公司）；Massachusetts Institute of Technology（麻省理工学院）
在最近的地理空间研究中，随着在自然语言处理中使用大规模语料库生成文本的进展，对大规模人类移动数据进行建模和预测轨迹的重要性正在上升。虽然已经有很多可行的方法适用于地理空间序列建模本身，但在评估方面似乎还有改进的空间，特别是关于测量生成的和参考轨迹之间的相似性。在这项工作中，我们提出了一种新的相似性度量，GEO-BLEU，这可能是特别有用的背景下，地理空间序列建模和生成。顾名思义，这项工作是基于BLEU，在机器翻译研究中使用的最流行的措施之一，同时引入空间接近n-gram的想法。我们比较这个措施与一个既定的基线，动态时间扭曲，将其应用到实际生成的地理空间序列。使用从超过12，000个案例中收集的地理空间序列之间相似性的众包注释数据，我们定量和定性地显示了所提出的方法的优越性。
2022-10-31 cs.LG
Making Good on LSTMs' Unfulfilled Promise
Rothko Investment Strategies（罗斯科投资策略公司）；City, University of London（伦敦大学城市学院）
LSTM承诺金融时间序列分析，时间和横截面推理，但我们发现，他们不提供在现实世界中的财务管理任务。我们研究了一种称为持续学习（CL）的替代方法，这是一种记忆增强方法，可以提供透明的解释，即哪些记忆在何时做了什么。这项工作对许多金融应用有影响，包括信贷，决策的时变公平性等。我们提出三个重要的新观察。首先，时间序列CL方法不仅更易于解释，而且优于LSTM以及使用前馈神经网络（FFNN）的简单滑动窗口学习器。其次，我们证明了基于滑动窗口学习器（FFNN）的CL比基于顺序学习器（LSTM）的CL更有效。第三，我们研究了现实世界中的时间序列噪声如何影响CL内存寻址中使用的几种相似性方法。我们使用一种称为持续学习增强（CLA）的方法来提供这些见解，该方法在一个复杂的现实问题上进行了测试，即新兴市场股票投资决策。CLA提供了一个测试平台，因为它可以基于不同类型的时间序列学习器，允许并行测试LSTM和FFNN学习器。CLA还用于测试几种用于存储器召回门的距离方法：欧氏距离（ED），动态时间规整（DTW），自动编码器（AE）和一种新的混合方法，warp-AE。我们发现，ED表现不佳DTW和AE，但翘曲AE显示出最好的整体性能在现实世界中的金融任务。
2019-12-09 cs.LG q-fin.CP q-fin.PM
Learning Frame Similarity using Siamese networks for Audio-to-Score Alignment
Queen Mary University of London（伦敦玛丽女王大学）
音频到乐谱对齐旨在生成表演音频和给定作品的乐谱之间的准确映射。标准的校准方法基于动态时间规整（DTW），并采用手工制作的功能，无法适应不同的声学条件。我们提出了一种方法来克服这一限制，使用学习帧相似性的音频到分数对齐。我们专注于钢琴音乐的离线音频到乐谱对齐。对不同声学条件下的音乐数据的实验表明，我们的方法比使用手工特征的标准DTW方法实现了更高的对齐精度，并生成鲁棒的对齐，同时适应不同的域。
2020-11-15 cs.IR cs.LG cs.SD
Towards Similarity-Aware Time-Series Classification
Rice University（莱斯大学）
本文研究了时间序列数据采掘的一个基本任务--时间序列分类。先前的工作已经从两个主要方向接近TSC：（1）基于最近邻对时间序列进行分类的基于相似性的方法，以及（2）以数据驱动的方式直接学习分类表示的深度学习模型。受这两条研究线内不同工作机制的激励，我们的目标是以这样一种方式将它们连接起来，以便联合建模时间序列相似性并学习表示。这是一项具有挑战性的任务，因为我们还不清楚如何有效地利用相似性信息。为了应对这一挑战，我们提出了相似性感知时间序列分类（SimTSC），这是一个概念上简单而通用的框架，它使用图神经网络（GNNs）对相似性信息进行建模。具体来说，我们制定TSC作为一个节点分类问题的图形，其中的节点对应于时间序列，和链接对应于成对的相似性。为了提高训练效率，我们进一步设计了一种图的构造策略和一种带负采样的批量训练算法。我们使用ResNet作为骨干，动态时间规整（DTW）作为相似性度量来实例化SimTSC。在完整的UCR数据集和多个多变量数据集上进行的大量实验证明了在监督和半监督设置下将相似性信息纳入深度学习模型的有效性。我们的代码可在https://github.com/daochenzha/SimTSC上获得
2022-01-06 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
TS3IM: Unveiling Structural Similarity in Time Series through Image Similarity Assessment Insights
Software Engineering Institute, East China Normal University（华东师范大学软件工程学院）
本文提出受SSIM启发的TS3IM指标，从趋势、可变性和结构完整性多维度量时间序列相似性，实验显示其更贴近DTW并显著提升对抗识别性能。
2024-05-10 cs.CV cs.LG
Elastic Product Quantization for Time Series
KU Leuven（鲁汶大学）
由于高存储成本和计算要求，分析大量或长时间序列在实践中是困难的。因此，已经提出了生成时间序列的紧凑的相似性保持表示的技术，使得能够对大型存储器内数据汇集进行实时相似性搜索。然而，现有的技术并不理想地适合于评估相似性时，序列是局部异相。在本文中，我们提出了使用产品量化有效的相似性为基础的时间序列比较下的时间扭曲。其思想是首先通过将时间序列划分为由短代码表示的等长子序列来压缩数据。两个时间序列之间的距离，然后可以有效地近似预先计算的弹性距离之间的代码。分割成子序列迫使不需要的对齐，我们使用最大重叠离散小波变换（MODWT）的预对齐步骤解决。为了证明我们的方法的效率和准确性，我们在最近邻分类和聚类应用程序的基准数据集上进行了广泛的实验评估。总的来说，所提出的解决方案出现作为一个高效的（无论是在内存使用和计算时间）的时间序列应用程序中的弹性措施的替代品。
2022-08-26 cs.DB cs.LG
Proximity Forest 2.0: A new effective and scalable similarity-based classifier for time series
Monash University（莫纳什大学）
本文提出Proximity Forest 2.0时间序列分类器，通过融合提前放弃剪枝、ADTW新度量和代价函数调优，并将基础度量从八个精简为三个且统一使用一阶导数变换，在UCR基准上超越现有基于相似性及部分核、神经网络和混合方法。
2023-04-13 cs.AI cs.LG
Similarity Learning based Few Shot Learning for ECG Time Series Classification
BITS-Pilani（博拉理工学院皮拉尼校区）；CVR College of Engineering（CVR工程学院）
使用深度学习模型对物联网（IoT）设备生成的时间序列数据进行分类需要大量的标记数据。然而，由于物联网设备中可用的资源有限，通常很难适应使用大型数据集的训练。本文提出并演示了一种基于相似性学习的Few Shot学习方法，用于基于Siamese卷积神经网络的ECG心律失常分类。Few Shot学习通过从很少的标记示例中识别新的类来解决数据稀缺问题。Few Shot学习首先依赖于在相关的相对较大的数据库上对模型进行预训练，然后将学习用于进一步适应每个类可用的少量示例。我们的实验评估的性能精度相对于K（每类的实例数）的ECG时间序列数据分类。5次学习的准确率为92.25%，随着K的进一步增加而略有提高。我们还将我们的方法的性能与其他成熟的相似性学习技术进行了比较，例如动态时间规整（DTW），欧几里得距离（ED）和深度学习模型-具有相同数据量的长短期记忆全卷积网络（LSTM-FCN），并得出结论，我们的方法在有限的数据集大小下优于它们。当K=5时，ED、DTW、LSTM-FCN和SCNN的精度分别为57%、54%、33%和92%。
2022-01-31 cs.LG eess.SP
Early Detection of Multidrug Resistance Using Multivariate Time Series Analysis and Interpretable Patient-Similarity Representations
URJC（乌拉圭国家研究委员会）
本研究提出可解释的机器学习框架，利用多变量时间序列分析患者相似性，通过图网络和聚类实现多重耐药早期预测，AUC达81%，优于基线模型。
2025-04-24 cs.AI cs.LG
Contrast Similarity-Aware Dual-Pathway Mamba for Multivariate Time Series Node Classification
针对多元时间序列节点分类中长程依赖建模难与相似性获取低效的问题，提出对比相似性感知双路径Mamba（CS-DPMamba），结合时间对比学习、FastDTW、双向Mamba及KAN增强GIN，在UEA数据集上监督与半监督实验均验证优越性。
2025-06-18 cs.AI cs.LG
Using Lower-Bound Representations for Trajectory Similarity Learning
Aalborg University（奥尔堡大学）；University of Electronic Science and Technology of China（电子科技大学）
该研究针对现有轨迹相似度学习方法的缺陷，提出LB-TrajRep下界表示框架，通过数据驱动枢轴选择策略优化下界紧密度，在多轨迹距离度量下显著优于当前最优神经嵌入方法。
2026-08-04 cs.DB cs.LG
Multiscale Dubuc: A New Similarity Measure for Time Series
University of Missouri-St. Louis（密苏里大学圣路易斯分校）；Georgia State University（佐治亚州立大学）
本文提出了一种新的时间序列相似性度量——多尺度Dubuc距离（MDD），融合分形分析与IoU，并在95个数据集上证明其性能可与优化后的DTW媲美，且运行时间与序列长度成线性关系。
2024-11-15 cs.LG
Dynamic Time Warp Convolutional Networks
在处理时间序列的情况下，可以公平地假设，促使动态时间扭曲算法开发的相同类型的变形也可以在1-D卷积层中的点积（“卷积”）的计算中相关。在这项工作中，提出了一种方法，用于调整卷积滤波器和输入，其中它们是本地的相位利用类似于动态时间扭曲的算法。所提出的方法能够嵌入时间序列的非参数扭曲，以直接在深度网络中增加相似性，并且可以扩展标准1-D卷积层的泛化能力和容量，其中输入中存在局部顺序变形。实验结果表明，所提出的方法超过或匹配的标准1-D卷积层的最大精度达到了一些时间序列分类任务。此外，不同的超参数设置的影响进行了研究，给出了不同的数据集和结果支持以前的工作所做的DTW参数值的选择有关的结论。所提出的层可以与其他典型层自由集成，以组成使用标准随机梯度下降训练的任意架构的深度人工神经网络。
2019-11-05 cs.LG stat.ML
LB-SimTSC: An Efficient Similarity-Aware Graph Neural Network for Semi-Supervised Time Series Classification
George Mason University（乔治梅森大学）；Thomas Jefferson High School for Science and Technology（托马斯·杰斐逊科技高中）
提出LB-SimTSC，利用DTW下界LB_Keogh以线性时间构建图，解决SimTSC因DTW二次复杂度难以扩展的问题，在大型数据集上图构建速度提升达104倍且分类准确率无显著下降。
2023-09-05 cs.AI cs.LG
Patient Similarity Computation for Clinical Decision Support: An Efficient Use of Data Transformation, Combining Static and Time Series Data
Department of Computer Science and Engineering, Bangladesh University of Engineering and Technology, Dhaka, Bangladesh（计算机科学与工程系，孟加拉国工程与技术大学，达卡，孟加拉国）；College of Information Technology, United Arab Emirates University（信息技术学院，阿拉伯联合酋长国大学）
本文提出结合静态与时间序列数据的分布式患者相似度计算方法，通过 aWOE、Z-score 转换及分布式 DTW 提升隐私保护、预测性能与计算效率。
2025-06-08 cs.AI cs.LG
Representation Learning of Multivariate Time Series using Attention and Adversarial Training
University of Tübingen（蒂宾根大学）；University of Lübeck（吕贝克大学）
针对多变量时间序列生成研究不足的问题，提出基于Transformer的自编码器，用对抗训练正则化生成人工多变量时间序列，经t-SNE、DTW和熵分数评估，生成信号与示例数据集相似度高于卷积网络方法。
2024-12-11 cs.LG
DTW+S: Shape-based Comparison of Time-series with Ordered Local Trend
University of Southern California（南加州大学）
提出DTW+S方法，通过构建保近矩阵表示时间序列局部趋势并应用DTW计算距离，有效捕捉有序局部趋势相似性，在流行病曲线聚类、集成构建和分类任务中表现优于基线方法。
2024-12-18 cs.AI cs.LG
Heterogeneous Relationships of Subjects and Shapelets for Semi-supervised Multivariate Series Classification
提出一种利用异构主体与形状let关系构建异构图表，结合对比时间自注意力、软动态时间规整和双层图注意力网络，实现半监督多元时间序列分类，并在多个数据集上超越现有方法。
2025-06-18 cs.AI cs.LG
On the Internal Semantics of Time-Series Foundation Models
Kairosity
本文针对时间序列基础模型（TSFMs）内部语义机制不明的问题，通过逐层分析等方法系统探究其概念编码特性，揭示了不同层的概念编码规律及组合表征的核心局限。
2025-11-19 cs.LG
A General Framework for Density Based Time Series Clustering Exploiting a Novel Admissible Pruning Strategy
University of California, Riverside（加州大学河滨分校）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
时间序列聚类是许多高级数据采掘分析中的重要子程序，包括分类器的数据编辑、摘要和离群点检测。众所周知，对于相似性搜索，动态时间弯曲（DTW）相对于欧氏距离的优势随着我们考虑越来越大的数据集而逐渐减弱。然而，正如我们将要展示的，对于集群来说，情况并非如此。DTW下的时间序列聚类仍然是一个计算昂贵的操作。在这项工作中，我们以两种方式解决这个问题。我们提出了一种新的修剪策略，利用上限和下限修剪掉一个非常大的部分昂贵的距离计算。这种修剪策略是可接受的，并给我们可证明相同的结果，蛮力算法，但至少是一个数量级更快。对于数据集，即使是这种水平的加速是不够的，我们表明，我们可以使用一个简单的启发式命令不可避免的计算在一个最有用的第一顺序，从而铸造成一个随时框架的集群。我们展示了我们的想法与天文学，语音生理学，医学和昆虫学领域的单一和多维的案例研究的效用。此外，我们展示了我们的聚类框架的一般性，其他领域的有效获得语义上显着的集群在蛋白质序列中使用的编辑距离，DTW的离散数据模拟。
2016-12-02 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
Fortifying Time Series: DTW-Certified Robust Anomaly Detection
Department of Electrical and Electronic Engineering（电气与电子工程系）；University of Melbourne（墨尔本大学）；School of Computing and Information Systems（计算与信息系统学院）
本文提出DTW认证的鲁棒异常检测方法，通过将ℓp范数转换为DTW距离，提升时间序列异常检测的鲁棒性，实验显示在DTW对抗攻击下F1分数提升18.7%。
2026-05-08 cs.LG
