董红玉，陈晓云，潘江山

(福州大学数学与计算机科学学院，福建福州 350116)

多变量时间序列(multivariate time series，MTS)是指多个变量依照时间先后顺序得到的一系列观察值的集合，常用一个n×m的矩阵表示，其中n代表序列长度，m代表变量个数［1，2］．MTS数据广泛存在于视频监控、金融和医疗等各种应用领域，故对其挖掘具有广阔的应用前景［3］．依照挖掘目标的不同，MTS挖掘包括模式匹配［3－4］、主题发现［4］、异常检测［5］、监督和无监督的分类［1］等．

MTS模式匹配是指将数据集的一个MTS样本的模式表示作为输入，计算与数据集中的其余模式相似度的过程［4］．MTS的模式表示和相似性度量是MTS模式匹配的两大关键步骤．

1 相关研究

现有MTS模式匹配方法可分为参数法和非参数法．参数法是指对MTS建立模型，用模型参数度量其相似度，如文［6］对MTS建立向量自回归模型，计算各模型参数间的相似度．而难以选择恰当的模型是此类方法的不足．

非参数法则先提取MTS的模式表示，之后根据选取的相似性度量计算模式之间的匹配程度．文［7］提出基于点分布特征的模式匹配方法，提取MTS的局部极值点作为其模式，并由局部极值点的统计分布特征组成特征向量，之后计算特征向量的欧氏距离，此方法适用于小规模的MTS数据集，对大规模数据集，其匹配效果较差．文［8］采用多维分段线性拟合方法提取拟合线段的倾斜角、时间跨度与序列长度的比值作为多变量时间序列的模式表示，并用DTW距离做为模式相似性度量．其不足之处在……