任守纲，张景旭，顾兴健，熊迎军，王浩云，徐焕良

1(南京农业大学 信息科技学院，南京 210095)

2(国家信息农业工程技术中心，南京 210095)

3(江苏省物联网技术与应用协同创新中心，南京210023)

1 引 言

时间序列(Time Serise,TS)数据是按照时间顺序所记录的一系列数据，现实世界中有大量以时间序列形式存在着的事物，如声音、温度、光电信号、脑电波、股票等.随着计算机计算和存储能力的增强，时间序列数据记录与特征分析在环境、金融、工业控制、天文、医学等领域都有广泛的需求.在过去的几十年里，研究人员对不同领域产生的海量时间序列数据进行了深入挖掘与分析，如天气预报、异常检测、基因分析、行为识别等[1-3]，时间序列已经成为数据挖掘领域最具挑战的问题之一[4].时间序列数据特征隐藏在不同时间片段中，在数据分析时需充分考虑数据的时序特征，这提高了时间序列数据的分析难度.

时间序列数据通常具有以下特性：

1)数据维度高[5]，一方面占用大量存储空间，另一方面也造成诸多算法难以在可接受的时间内完成处理任务，尤其是时间序列的分类、聚类算法具有高时间复杂度.

2)数据噪声大，噪声问题是所有机器学习算法的共同难题[6-12]，在时间序列数据中，离群值与偏移值出现频率高.

3)数据不充分，当面对不完整的时间序列，或是时间序列数据集本身具有类别不平衡问题时，难以判断时间序列中用于分析的数据是否充足.

4)数据时间依赖跨度未知，尽管时序数……