| 内容提要: |
多元时间序列相似性度量方法主要有欧氏距离(ED)、奇异值分解(SVD)、基于点分布特征方法(PD)、动态时间弯曲(DTW)距离和趋势距离(TD)等。ED方法简单直观，但要求两条序列的长度必须相同，且无法处理序列在时间轴上的伸缩和弯曲；SVD方法把时间序列中的变量理解为随机变量，以相关系数矩阵作为特征提取的基础，利用线性坐标变换建立相似性度量模型，能够有效体现变量间的相互关系，但它是一种基于统计的度量方法，不能描述观察值的时序关系，存在一定的误判风险；PD方法抽取多元时间序列在三维空间上的局部重要点作为特征，依据重要点的分布特征进行相似性度量，对小规模的多元时间序列具有较好的匹配效果，但它也是一种基于统计的度量方法；DTW距离支持不同长度时间序列的相似性度量，支持序列在时间轴上的伸缩和弯曲,具有较好的度量精度和鲁棒性，因此被广泛采用，但由于计算复杂度高,限制了其在海量时间序列中的应用；TD方法以多元时间序列的倾斜角和时间跨度作为特征，利用DTW算法实现特征序列的对齐匹配，与DTW方法相比，有效降低了计算复杂度;但模型参数较多、参数优化配置环节较为复杂。 |