Dynamic Time Warping cho chuỗi thời gian không đều

Gần đây tôi đã đọc rất nhiều về Dynamic Time Warping (DTW). Tôi rất ngạc nhiên rằng không có tài liệu nào về việc áp dụng DTW vào chuỗi thời gian bất thường, hoặc ít nhất là tôi không thể tìm thấy nó.

Bất cứ ai có thể cho tôi một tài liệu tham khảo cho một cái gì đó liên quan đến vấn đề đó, hoặc thậm chí có thể thực hiện nó?

Theo tôi hiểu, theo chuỗi thời gian không đều, bạn có nghĩa là chuỗi thời gian cách đều nhau , còn được gọi là chuỗi thời gian được lấy mẫu không đều . Vì tôi tò mò về chuỗi thời gian nói chung, tôi đã thực hiện một nghiên cứu ngắn gọn về chủ đề mà bạn quan tâm (và bây giờ là của tôi). Kết quả theo sau.

Mặc dù cách tiếp cận cong vênh thời gian động (DTW) rất phổ biến trong phân tích, phân cụm và phân loại chuỗi thời gian, chuỗi thời gian không đều có một số thách thức đối với việc áp dụng DTW trực tiếp vào loại dữ liệu đó (ví dụ, xem bài báo này và bài báo này ). Dựa trên những nỗ lực nghiên cứu tương đối ngắn gọn của tôi, tôi không hoàn toàn rõ ràng, cho dù không thể áp dụng DTW trực tiếp, như một số nghiên cứu cho thấy khác (cũng xem bài viết / chương này ). Để dễ hiểu hơn, tôi cũng muốn đề cập đến một IMHO xuất sắc và phù hợp với luận văn chủ đề về chuỗi thời gian bất thường .

Tuy nhiên, dường như chủ đề này chủ yếu được đề cập trong hai luồng nghiên cứu sau:

• đề xuất và đánh giá các phương pháp tiếp cận, thay thế cho DTW , chẳng hạn như phương pháp dựa trên mô hình (xem bài viết này và bài viết này );
• đề xuất và đánh giá các cách tiếp cận DTW đã sửa đổi , chẳng hạn như cDTW , EDR , ERP , TWED , biến đổi phong bì , CDTW ( DTW liên tục - không nhầm lẫn với cDTW - DTW bị ràng buộc !) và các biến thể khác (ví dụ, xem bài viết này ). Tổng quan về các phương pháp và kết quả nêu trên của một số so sánh thực nghiệm có thể được tìm thấy trong bài viết này .

Cuối cùng, tôi muốn đề cập đến chủ đề của phần mềm nguồn mở , có sẵn để nghiên cứu hoặc triển khai hệ thống , tập trung vào DTW và hỗ trợ một số thuật toán được đề cập ở trên cho chuỗi thời gian không đều. Phần mềm này bao gồm dự án mô-đun cDTW dựa trên Python / NumPy cũng như dự án CUDA-DTW dựa trên GPU tập trung vào GPU . Đối với những người đam mê, một dự án Dynamic Time Warp toàn diện cũng cần được đề cập ( gói tương ứngR dtwcó sẵn trên CRAN). Mặc dù hiện tại nó có thể không hỗ trợ nhiều thuật toán DTW cho chuỗi thời gian bất thường (mặc dù tôi nghĩ rằng nó hỗ trợ cDTW), tôi nghĩ rằng vấn đề chỉ là thời gian cho đến khi dự án này cung cấp hỗ trợ toàn diện hơn cho thuật toán DTW, tập trung vào loại đó Dữ liệu. Tôi hy vọng rằng bạn thích đọc câu trả lời của tôi cũng như tôi thích nghiên cứu chủ đề và viết bài đăng này.

Tôi đã triển khai thành công DTW trong 'C' khi áp dụng cho xác minh chữ ký động. Tôi đã sử dụng cơ sở dữ liệu thử nghiệm của chữ ký Trung Quốc và Hà Lan để xác minh EER và nhận được kết quả rất ấn tượng. Nó hiện đang được thực hiện dưới dạng bản demo trên iPad. Thuật toán của tôi được mã hóa bằng tay từ một số mô tả được công bố. Tôi sẽ chia sẻ mã nếu có cách để lấy nó cho bạn. Một điều cũng góp phần vào thành công là 'bình thường hóa' dữ liệu đầu vào. Điều này làm cho nó dễ dàng hơn nhiều khi so sánh dữ liệu khác nhau bằng cách sử dụng các tỷ lệ mẫu khác nhau.

Tôi chỉ tự mình vào DTW và không sử dụng các gói được đề cập dưới đây, nhưng tôi hy vọng những điều sau đây có thể giúp bạn.

Dự án Cran.R, cụ thể: • "ts" là lớp cơ bản cho chuỗi thời gian cách đều đặn bằng cách sử dụng tem thời gian số. • Gói "sở thú" cung cấp cơ sở hạ tầng cho chuỗi thời gian cách đều đặn VÀ TUYỆT VỜI bằng cách sử dụng các lớp tùy ý cho tem thời gian. Nó được thiết kế sao cho phù hợp nhất có thể với "ts". • sở thú: Cơ sở hạ tầng S3 cho Chuỗi thời gian thường xuyên và không thường xuyên (quan sát theo yêu cầu của Z)

Tài liệu tham khảo: http://cran.r-project.org/web/view/TimeSeries.html và http://cran.r-project.org/web/packages/zoo/index.html

Lời chúc tốt nhất.

TSdist có chức năng xác định khoảng cách thông qua dtw. Nó chấp nhận chuỗi thời gian sở thú bất thường