一种称为基于相关的动态时间扭曲 (CBDTW) 的新算法，它结合了基于 DTW 和 PCA 的相似性度量。 为了保持相关性，多元时间序列被分割，DTW 的局部差异函数源自 SPCA。 这些段是通过使用特殊的 PCA 相关成本通过自下而上的细分获得的。 我们的新技术符合两个数据库的要求，即 2004 年签名验证竞赛数据库和常用的 AUSLAN 数据集。 我们表明，在具有复杂相关结构的数据集的情况下，CBDTW 优于标准 SPCA 和最常用的基于欧几里德距离的多元 DTW。
该算法也描述在： J. Abonyi, F. Szeifert，用于识别模糊分类器的监督模糊聚类，模式识别快报，24(14) 2195-2207，2003 年 10 月
2021-12-25 17:04:27
8KB
1
针对传统主成分分析及相关方法对多元时间序列特征表示的局限性,以及降维效果对数据相似性度量质量的影响,从数据形态特征的角度出发,提出一种关键形态特征的多元时间序列降维方法.利用动态时间弯曲方法找出训练集每个类别的中心多元时间序列,根据形态特征找出每个中心多元时间序列的关键特征变量分量的重要度,使用重要度提取若干个关键特征变量分量,达到数据降维的目的.实验结果表明,与传统方法相比,所提方法能够有效地根据形态特征对多元时间序列进行降维,并且能够取得更好的分类效果.
2021-12-04 22:11:26
429KB
1
多元时间序列由于多元性和变量间的相关性而趋于复杂 。简单综述了时间序列研究方法,结合小波变换的降维和多尺度特性,以矩阵的 Froenius加权平方范数为度量工具,提出了基于 haar小波变换的多元时间序列间相似性匹配方法 。实验数据表明,该方法能够有效的比较多元时间序列间的相似性程度 。
2021-11-03 20:55:22
202KB
1
注重多元时间序列的LSTM自动编码器
该存储库包含用于多变量时间序列预测的自动编码器。 它具有描述的两种注意力机制，并且受启发。
下载和依赖项
要克隆存储库，请运行：
git clone https://github.com/JulesBelveze/time-series-autoencoder.git
要安装所有必需的依赖项，请运行：
pip install -r requirements.txt
用法
python main.py [-h] [--batch-size BATCH_SIZE] [--output-size OUTPUT_SIZE]
[--label-col LABEL_COL] [--input-att INPUT_ATT]
[--temporal-att TEMPORAL_ATT] [--seq-le
2021-10-12 16:02:48
249KB
1
该数据集描述包括样本数量、类别数、特征数、时间序列长度，除了Libras数据集的时间序列长度为等长的，其他数据集时间序列长度为不等长。
2021-08-26 16:59:32
303.58MB
1
保守值法matlab代码PMIME和TE
我们通过混合嵌入实现部分条件互信息，以进行多元时间序列的耦合估计。
我们还使用传递熵来实现此方法。
在建议的部分MIME（PMIME）度量中，嵌入在所有观察到的变量上，并且在解释响应变量时进行了优化。
结果表明，PMIME可以正确检测直接耦合，并且胜过（线性）条件格兰杰因果关系和部分转移熵。
而且，我们还使用传递熵代替条件互信息来评估耦合。
环境
Matlab的
Windows或Linux或Mac
步
准备表示长度为K的K时间序列的N
x
K矩阵的数据。
对使用PMIME或TE的程序进行编码。
function
[RM,ecC]
=
PMIME(allM,Lmax,T,nnei,A,showtxt)
function
[RM,ecC]
=
TransferEntropy(allM,Lmax,T,nnei,nsur,alpha,showtxt)
输入
allM：长度为N的K个时间序列的N
x
K矩阵。
Lmax：搜索混合嵌入矢量的X和Y分量的最大延迟（默认为5）。
T：
T向前迈进了混合嵌入向量必须解释的地方。
请注意，如果T>
1，则未来向量的
2021-07-20 18:31:07
165KB
1