尹 君 张建业 李德高 景 康 周 平

1(国家电网新疆电力有限公司乌鲁木齐供电公司 新疆 乌鲁木齐 830000)2(国家电网新疆电力有限公司 新疆 乌鲁木齐 830002)3(新疆信息产业有限责任公司 新疆 乌鲁木齐 830026)

0 引 言

时间序列数据现已成为许多行业和工程领域中一种重要的数据形式，对时间序列进行在线挖掘分析具有极大的价值[1]。时间序列之间往往为非对齐的形式，所以基于欧氏距离的传统分类算法无法实现理想的效果。研究人员提出动态时间规整(Dynamic Time Warping,DTW)算法[2]解决不对准的时间序列相似性度量问题，但基于DTW的相似性度量无法度量时间序列串联结构的阶段间差异。文献[3]针对该问题提出了重要的shapelet方法，并得到了广泛的关注和应用，也实现了很高的分类精度，但shapelet类的方法存在时间复杂度高的问题。虽然许多研究人员设计了shapelet的加速算法[4-5]，但是时间复杂度依然较高。

基于概率密度的方法[6]是另一种有效的时间序列分类算法，其时间复杂度较低，能够实现在线的时间序列分类。此类方法[7]使用密度估计算法评估时间序列之间的相似性，实现快速的在线分类处理。密度估计的准确性是此类时间序列分类算法的关键部分，核密度估计(Kernel Density Estimation,KDE)[8]是最为常用的一种方法，但该方法无法应用于高维数据，而其他的非参数化密度估计方法[9]对高维数据的时间效率较低，难以满足在线密度估计的要求。

动态时间规整解决了时间序列的不对准问题，对低维度数据流的效果较好，但是高维时间序列包含丰富的时空信息，动态时间规整则忽略了这些时空信息。……