孙冬璞，曲 丽

哈尔滨理工大学计算机科学与技术学院，哈尔滨 150080

当今社会是一个数据信息爆炸的时代，时间序列作为其中一种普遍的数据类型，在日常生活中无处不在。如今已经成为数据挖掘领域[1]研究的主要方向，广泛应用于金融、气象、医学[2]、电子科技、教育、工业等多个领域。人们可以通过时间序列的历史数据挖掘出其中的潜在价值信息并预测未来趋势。简言之，时间序列是一组根据时间先后顺序不断变化的数列，如果直接对原时间序列进行处理，无法避免产生耗时长，时间复杂度高，成本高的问题。因此，选择一种简单的转换方式，将数据量大、动态性强、易受噪声干扰的高维密集型时间序列转换为低维离散型时间序列，发现不同时间序列之间的关系，探索其中的规律，达到降低研究成本的目的，就变得尤为重要。

特征表示是一种将数量冗长的高维时间序列映射到低维数据空间的常用方法，在提取局部特征信息仍然能够反映整体时间序列信息的前提下，过滤掉低频信息，既保证了时间序列的基本信息和形态特征，又有效地实现了数据降维去噪。这种方法为提高数据挖掘效率奠定了良好基础。

相似性度量作为数据挖掘领域另一个重要的过程，应用于大部分时间序列的预处理阶段。一般情况下，在对时间序列进行分类、聚类、回归分析之前，如果通过相似性度量发现序列之间的内在规律，筛选出重要的时间序列，对于提高数据挖掘的效率非常有利。……