ESPSA: A prediction-based algorithm for streaming time series segmentation
ESPSA: A prediction-based algorithm for streaming time series segmentation
复制标题
ESPSA：一种基于预测的流时间序列分割算法
DOI：
10.1016/j.eswa.2014.03.043
复制
发表时间：
2014-10
影响因子：
8.5
通讯作者：
Wang, Yuanzhen
中科院分区：
文献类型：
--
作者：
Li, Guiling;Cai, Zhihua;Kang, Xiaojun;Wu, Zongda;Wang, Yuanzhen
流时间序列分割是流时间序列挖掘中的主要问题之一，它可以创建流时间序列的高层表示，从而为索引、聚类、分类、不一致发现等许多时间序列挖掘任务提供重要支持。然而，流时间序列中的数据元素通常是在线到达的，变化快，大小无限制，因此，导致对时间序列分割的计算效率提出了更高的要求。因此，如何在保证计算效率的前提下对流媒体时间序列进行准确的分割是一个具有挑战性的课题。在本文中，我们提出了指数平滑预测为基础的分割算法（ESPSA）。该算法基于滑动窗口模型，采用指数平滑方法计算流时间序列到达数据元素的平滑值作为未来数据的预测值。此外，为了判断某个数据元是否为分割关键点，我们研究了预测误差的统计特性，并推导出预测误差与压缩率之间的关系。在合成数据集和真实的数据集上的大量实验表明，该算法能够有效地分割流时间序列。更重要的是，与候选算法相比，所提出的算法可以减少几个数量级的计算时间。
Streaming time series segmentation is one of the major problems in streaming time series mining, which can create the high-level representation of streaming time series, and thus can provide important supports for many time series mining tasks, such as indexing, clustering, classification, and discord discovery. However, the data elements in streaming time series, which usually arrive online, are fast-changing and unbounded in size, consequently, leading to a higher requirement for the computing efficiency of time series segmentation. Thus, it is a challenging task how to segment streaming time series accurately under the constraint of computing efficiency. In this paper, we propose exponential smoothing prediction-based segmentation algorithm (ESPSA). The proposed algorithm is developed based on a sliding window model, and uses the typical exponential smoothing method to calculate the smoothing value of arrived data element of streaming time series as the prediction value of the future data. Besides, to determine whether a data element is a segmenting key point, we study the statistical characteristics of the prediction error and then deduce the relationship between the prediction error and the compression rate. The extensive experiments on both synthetic and real datasets demonstrate that the proposed algorithm can segment streaming time series effectively and efficiently. More importantly, compared with candidate algorithms, the proposed algorithm can reduce the computing time by orders of magnitude.
登录
查看更多内容
DOI：
10.1049/cp:19991109
发表时间：
1999
期刊：
Inf. Manag.
影响因子：
--
作者：
J. Kohlmorgen;S. Lemm;K. Müller;S. Liehr;K. Pawelzik
通讯作者：
J. Kohlmorgen;S. Lemm;K. Müller;S. Liehr;K. Pawelzik
DOI：
10.1109/iros.2005.1545363
发表时间：
2005-12
期刊：
2005 IEEE/RSJ International Conference on Intelligent Robots and Systems
影响因子：
--
作者：
Taketoshi Mori;Yu Nejigane;M. Shimosaka;Y. Segawa;T. Harada;Tomomasa Sato
通讯作者：
Taketoshi Mori;Yu Nejigane;M. Shimosaka;Y. Segawa;T. Harada;Tomomasa Sato
DOI：
10.1360/aas-007-0197
发表时间：
2007
期刊：
Acta Automatica Sinica
影响因子：
--
作者：
Wang Yong
通讯作者：
Wang Yong
影响因子：
2.4
作者：
H. Vullings;M. Verhaegen;H. Verbruggen
通讯作者：
H. Vullings;M. Verhaegen;H. Verbruggen
DOI：
--
发表时间：
2010
期刊：
--
影响因子：
--
作者：
Xia Shi-xiong
通讯作者：
Xia Shi-xiong