CN110956206A - 时间序列状态识别方法、装置及设备 - Google Patents

时间序列状态识别方法、装置及设备 Download PDF

Info

Publication number
CN110956206A
CN110956206A CN201911153112.XA CN201911153112A CN110956206A CN 110956206 A CN110956206 A CN 110956206A CN 201911153112 A CN201911153112 A CN 201911153112A CN 110956206 A CN110956206 A CN 110956206A
Authority
CN
China
Prior art keywords
subsequence
similarity
subsequences
target
time sequence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911153112.XA
Other languages
English (en)
Inventor
陆怡
王鹏
汪卫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuhai Fudan Innovation Research Institute
Original Assignee
Zhuhai Fudan Innovation Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhuhai Fudan Innovation Research Institute filed Critical Zhuhai Fudan Innovation Research Institute
Priority to CN201911153112.XA priority Critical patent/CN110956206A/zh
Publication of CN110956206A publication Critical patent/CN110956206A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种时间序列状态识别方法、装置及设备，属于状态识别技术领域。本发明实施例提供的时间序列状态识别方法，包括选取目标时间序列内预设个数预设时间长度的子序列；计算所述子序列的相似性；根据所述相似性，获取每个所述子序列对应的状态。本发明首次利用子序列相似性解决了时间序列的状态识别问题，准确性高，同时速度接近于线性，有良好的可扩展性和应用前景。

Description

时间序列状态识别方法、装置及设备
技术领域
本发明属于状态识别技术领域，具体涉及一种时间序列状态识别方法、装置及设备。
背景技术
时间序列是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。在现实生活中，时间序列是由对某个系统的观测得到的，它在一定程度上反映了系统的运行情况。通过挖掘时间序列中潜在的状态变化可以帮助人们对系统有一个更为清楚的认识，既可以明确系统内在的变化规律，也可以探测出系统突发的异常。在科技飞速发展的今天，对时间序列的状态识别，更是成为大数据发展的推动力。
时间序列的状态识别，即将一个给定的时间序列划分成多个互不重叠的部分，每个部分是从该时间序列中截取出的子序列。同时，根据这些子序列之间的内在联系，将相似的子序列聚集在一起，它们对应的就是时间序列的某一状态。在现有技术中，对时间序列的状态识别，一般通过两种方式：第一种是基于全局特征的，该类技术或是从斜率、或是从均值和方差的角度对时间序列进行处理，因此对于此类特征不明显的时间序列存在局限性。在实际应用中，需要根据时间序列的具体特性进行方案抉择，这依赖于专家知识和人工操作，对于投入生产实践有一定的限制和要求；第二种是基于子序列相似性的。但它无法对划分后的子序列进行分类处理，也就是说，它仅仅能够发现状态的分割点而不能识别出状态本身。
因此，现有技术的时间序列状态识别存在局限性、识别不全面。
发明内容
为了至少解决现有技术存在的上述的问题，本发明提供了一种时间序列状态识别方法、装置及设备。
本发明提供的技术方案如下：
一方面，一种时间序列状态识别方法，包括：
选取目标时间序列内预设个数预设时间长度的子序列；
计算所述子序列的相似性；
根据所述相似性，获取每个所述子序列对应的状态。
进一步可选的，所述计算所述子序列的相似性，包括：
分别计算每个所述子序列与所述目标时间序列内基准子序列的相似性。
进一步可选的，所述分别计算每个所述子序列与所述目标时间序列内基准子序列的相似性，包括：
分别计算每个所述子序列与所述目标时间序列内所述基准子序列的欧式距离，所述基准子序列为所述目标时间序列内除所述子序列外其他所述预设时间长度的子序列。
进一步可选的，所述根据所述相似性，获取每个所述子序列对应的状态，包括：
获取所述相似性在预设阈值内的所述子序列，得到目标子序列；
对所述目标子序列进行聚类，获取所述目标子序列对应的状态。
进一步可选的，所述根据所述相似性，获取每个所述子序列对应的状态，包括：
根据聚类结果，构建聚类图；
按照所述聚类图，获取所述子序列对应的状态。
又一方面，一种时间序列状态识别装置，包括：选取模块、计算模块和获取模块；
其中，所述选取模块，用于获取目标时间序列内预设个数预设时间长度的子序列；
所述计算模块，用于计算所述子序列的相似性；
所述获取模块，用于根据所述相似性，获取每个所述子序列对应的状态。
进一步可选的，所述计算模块，具体用于分别计算每个所述子序列与所述目标时间序列内基准子序列的相似性。
进一步可选的，所述计算模块，具体用于分别计算每个所述子序列与所述目标时间序列内所述基准子序列的欧式距离，所述基准子序列为所述目标时间序列内除所述子序列外其他所述预设时间长度的子序列。
进一步可选的，所述获取模块，具体用于获取所述相似性在预设阈值内的所述子序列，得到目标子序列；对所述目标子序列进行聚类，获取所述目标子序列对应的状态。
又一方面，一种时间序列状态识别设备，包括：处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行上述任一项所述的时间序列状态识别方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
本发明实施例提供的时间序列状态识别方法、装置及设备，该方法包括选取目标时间序列内预设个数预设时间长度的子序列；计算所述子序列的相似性；根据所述相似性，获取所述子序列对应的状态。本发明首次利用子序列相似性解决了时间序列的状态识别问题，准确性高，同时速度接近于线性，有良好的可扩展性和应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种时间序列状态识别方法流程示意图。
图2为本发明实施例提供的一种原始时间序列示意图。
图3为本发明实施例提供的对于图2的进行状态识别聚类结果示意图。
图4为本发明实施例提供的一种时间序列状态识别装置的结构示意图。
图5为本发明实施例提供的一种时间序列状态识别设备的结构示意图。
附图标记：
41-选取模块；42-计算模块；43-获取模块；51-处理器；52-存储器。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
实施例：
为了更加清楚地说明本实施例发明解决技术问题的过程及优点，本发明提供一种时间序列状态识别方法。
图1为本发明实施例提供的一种时间序列状态识别方法流程示意图。
请参阅图1，本发明实施例提供的一种时间序列状态识别方法，可以包括以下步骤：
步骤S11、选取目标时间序列内预设个数预设时间长度的子序列。
具体地，可以随机地在整个时间序列中抽取预设个数的预设时间长度的子序列。值得说明的是，预设个数和预设时间长度，均不做限定，用户可以根据自身需求进行设定，不同预设时间长度的子序列，可以为相同时间长度的子序列，也可以为不同时间长度的子序列。
例如，可以在整个时间序列中，随机抽取100个不重复的子序列。
在实施例中，可以定义某个时间段为目标时间序列，例如，可以将本发明的时间序列状态识别方法用于识别运动员在某段时间内的运动状态。例如，以运动员A为例，以其某日下午12点-下午23点这一时间段的运行为状态识别对象，可以在运动员A的手腕上或者脚腕上佩戴运动监测器，从而获取监测数据。值得说明的是，此次对运动员只是列举，并不是限定，本发明的时间序列状态识别可以用在运动员、数列或其他事物上，任何可以通过时间序列状态识别方法进行状态识别的事物均可以采用本发明的方法，属于本发明的保护范围。同理，本发明实施例中的时间和监测器，均只是列举，并不是限定。
例如，在本实施例中，选取运动员A的运动时间上午12时至夜晚23时为目标时间序列，预设子序列的个数为100个，预设时间长度为5分钟或6分钟等不等，预设子序列不重复。值得说明的是，此次对目标时间、预设个数和预设时间长度均为列举，并不是限定。
步骤S12、计算子序列的相似性。
具体地，在获取到子序列后，计算每个子序列的相似性。
具体地，计算子序列的相似性，包括：分别计算每个子序列与目标时间序列内基准子序列的相似性。
具体地，分别计算每个子序列与目标时间序列内基准子序列的相似性，包括分别计算每个子序列与目标时间序列内基准子序列的欧式距离，基准子序列为目标时间序列内除子序列外其他预设时间长度的子序列。
例如，在一个具体的实施过程中，对每个子序列，分别计算每个子序列与整体时间序列中其它长度相同的子序列的欧氏距离，以欧式距离反映每个子序列与整体时间序列中其它长度相同的子序列的差异程度。欧式距离越小，说明相似性越高，反之，欧式距离越大，说明相似度越低。
欧氏距离(Euclid Distance)也称欧几里得度量、欧几里得距离,是一个通常采用的距离定义,它是在m维空间中两个点之间的真实距离，在二维空间中的欧氏距离就是两点之间的直线段距离。
二维空间的欧氏距离公式：
Figure BDA0002284106130000051
Figure BDA0002284106130000052
其中，ρ为点(x2，y2)与点(x1，y1)之间的欧氏距离；|X|为点(x2，y2)到原点的欧氏距离。
三维空间的公式：
Figure BDA0002284106130000061
Figure BDA0002284106130000062
n维空间的公式：
Figure BDA0002284106130000063
n维欧氏空间是一个点集，它的每个点X可以表示为(x[1]，x[2]，…，x[n])，其中x[i](i＝1，2，…，n)是实数，称为X的第i个坐标，两个点A＝(a[1]，a[2]，…，a[n])和B＝(b[1]，b[2]，…，b[n])之间的距离d(A，B)定义为下面的公式：
d(A，B)＝sqrt[∑((a[i]-b[i])^2)](i＝1，2，…，n)。
步骤S13、根据相似性，获取每个子序列对应的状态。
具体地，根据相似性，获取每个子序列对应的状态，可以包括获取相似性在预设阈值内的子序列，得到目标子序列；对目标子序列进行聚类，获取目标子序列的对应的状态。
例如，在计算到100个不重复的子序列的欧氏距离后，对计算到的欧氏距离进行排序，可以按照升序或者降序的顺序，进行排序。优选的，本发明实施例中按照升序的顺序进行排列，以便于对各子序列中的相似性进行观察。在本实施例中，可以按照预设阈值选取升序后的靠前部分的欧氏距离对应的子序列，将其作为目标子序列。对目标子序列进行基于密度的聚类处理，以此来过滤掉可能的噪声。本发明实施例中，选取的欧氏距离靠前的子序列，在整体时间序列上的分布是比较紧密的，因为它们都属于相同的状态，而如果出现单独的一个子序列(它附近的子序列都没有被选中)，那很有可能这个子序列是一个噪声而并没有和目标子序列属于同一状态。
可选的，根据聚类结果，构建聚类图；按照聚类图，获取子序列对应的状态。
例如，在聚类处理后，根据聚类结果，得到聚类图。
图2为本发明实施例提供的一种原始时间序列示意图。图3为本发明实施提供的对于图2的进行状态识别聚类结果示意图。
请参阅图2，图2所对应的时间序列为实施例中提到的运动员A运动情况的监测数据，横坐标是时间戳，纵坐标是运动员佩戴的手部传感器记录下的在Z轴上的坐标变化。其中，不同的状态反映出运动员当时做的不同运动。图3中的横坐标对应的同样是时间戳。下方的结果图，可以理解为聚类的结果图。聚类的对象是时间序列的时间戳，且存在一个约束是：每个类内部的时间戳对象都是连续的。
在本发明实施例中，依旧以100个子序列为例，每个子序列是一个节点，节点间的边是由两个子序列在100个结果中同时出现的比例定义的。构建完成图后，对图进行图分区，也就是将彼此之间的边的权重比较高的节点聚集在一起，这些被聚在一起的节点(子序列)实际上对应的就是一个状态。
也就是说，图的节点是时间序列中的子序列，图的边权是子序列在聚类结果中同时被覆盖的比例。对生成的图进行图分区，每个子图的节点集实际上是子序列的集合，它们对应了时间序列的一个状态。请参阅图3，本发明的输出结果参考图3中的不同结果图。对于原始的时间序列(图2 Time Series)，得到5个不同的状态，可以分别用不同的颜色进行标识，也可以分别用不同的数字标号标识(图3Result)。
对于图3，更直观的理解方式是：将时间序列划分成11个部分(11段互不重叠的子序列)，每个部分对应一个状态(相同标号代表同一状态)。
因此，本发明实施例的时间序列状态识别方法，即可在图2中的时间序列中，识别出图3中的5种不同状态。其中，5种状态分别表示:平行行走、小跳、大跳等不同的状态。
本发明实施例提供的时间序列状态识别方法，包括选取目标时间序列内预设个数预设时间长度的子序列；计算子序列的相似性；根据相似性，获取子序列对应的状态。本发明首次利用子序列相似性解决了时间序列的状态识别问题，准确性高，同时速度接近于线性，有良好的可扩展性和应用前景。
实施例
基于相同的构思，本发明实施例还提供一种时间序列状态识别装置。
图4为本发明实施例提供的一种时间序列状态识别装置的结构示意图。
请参阅图4，本发明实施例提供的时间序列状态识别装置，可以包括：选取模块41、计算模块42和获取模块43。
其中，选取模块41，用于获取目标时间序列内预设个数预设时间长度的子序列；
计算模块42，用于计算子序列的相似性；
获取模块43，用于根据相似性，获取每个子序列对应的状态。
进一步的，计算模块42，具体用于分别计算每个子序列与目标时间序列内基准子序列的相似性。
进一步的，计算模块42，具体用于分别计算每个子序列与目标时间序列内基准子序列的欧式距离，基准子序列为目标时间序列内除子序列外其他预设时间长度的子序列。
进一步的，获取模块43，具体用于获取相似性在预设阈值内的子序列，得到目标子序列；对目标子序列进行聚类，获取目标子序列的对应的状态。
进一步的，获取模块43，具体用于根据聚类结果，构建聚类图；按照聚类图，获取子序列对应的状态。
值得说明的是，此处装置中的具体模块的工作方式，在上述有关该方法中已经进行了详细的说明，此处不做赘述。
本发明实施例提供的一种时间序列状态识别装置，包括：选取模块、计算模块和获取模块；选取模块，用于获取目标时间序列内预设个数预设时间长度的子序列；计算模块，用于计算子序列的相似性；获取模块，用于根据相似性，获取子序列对应的状态。本发明首次利用子序列相似性解决了时间序列的状态识别问题，准确性高，同时速度接近于线性，有良好的可扩展性和应用前景。
实施例
基于相同的构思，本发明实施例还提供一种时间序列状态识别设备。
图5为本发明实施例提供的一种时间序列状态识别设备的结构示意图。
请参阅图5，本发明实施例提供的时间序列状态识别设备，可以包括：处理器51，以及与处理器51相连接的存储器52；存储器52用于存储计算机程序，计算机程序至少用于执行上述任一项实施例记载的时间序列状态识别方法；处理器用于调用并执行存储器中的计算机程序。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种时间序列状态识别方法，其特征在于，包括：
选取目标时间序列内预设个数预设时间长度的子序列；
计算所述子序列的相似性；
根据所述相似性，获取每个所述子序列对应的状态。
2.根据权利要求1所述的方法，其特征在于，所述计算所述子序列的相似性，包括：
分别计算每个所述子序列与所述目标时间序列内基准子序列的相似性。
3.根据权利要求2所述的方法，其特征在于，所述分别计算每个所述子序列与所述目标时间序列内基准子序列的相似性，包括：
分别计算每个所述子序列与所述目标时间序列内所述基准子序列的欧式距离，所述基准子序列为所述目标时间序列内除所述子序列外其他所述预设时间长度的子序列。
4.根据权利要求2所述的方法，其特征在于，所述根据所述相似性，获取每个所述子序列对应的状态，包括：
获取所述相似性在预设阈值内的所述子序列，得到目标子序列；
对所述目标子序列进行聚类，获取所述目标子序列对应的状态。
5.根据权利要求4所述的方法，其特征在于，所述根据所述相似性，获取每个所述子序列对应的状态，包括：
根据聚类结果，构建聚类图；
按照所述聚类图，获取每个所述子序列对应的状态。
6.一种时间序列状态识别装置，其特征在于，包括：选取模块、计算模块和获取模块；
其中，所述选取模块，用于获取目标时间序列内预设个数预设时间长度的子序列；
所述计算模块，用于计算所述子序列的相似性；
所述获取模块，用于根据所述相似性，获取每个所述子序列对应的状态。
7.根据权利要求6所述的装置，其特征在于，所述计算模块，具体用于分别计算每个所述子序列与所述目标时间序列内基准子序列的相似性。
8.根据权利要求7所述的装置，其特征在于，所述计算模块，具体用于分别计算每个所述子序列与所述目标时间序列内所述基准子序列的欧式距离，所述基准子序列为所述目标时间序列内除所述子序列外其他所述预设时间长度的子序列。
9.根据权利要求7所述的装置，其特征在于，所述获取模块，具体用于获取所述相似性在预设阈值内的所述子序列，得到目标子序列；对所述目标子序列进行聚类，获取所述目标子序列对应的状态。
10.一种时间序列状态识别设备，其特征在于，包括：处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行权利要求1～5任一项所述的时间序列状态识别方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
CN201911153112.XA 2019-11-22 2019-11-22 时间序列状态识别方法、装置及设备 Pending CN110956206A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911153112.XA CN110956206A (zh) 2019-11-22 2019-11-22 时间序列状态识别方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911153112.XA CN110956206A (zh) 2019-11-22 2019-11-22 时间序列状态识别方法、装置及设备

Publications (1)

Publication Number Publication Date
CN110956206A true CN110956206A (zh) 2020-04-03

Family

ID=69978044

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911153112.XA Pending CN110956206A (zh) 2019-11-22 2019-11-22 时间序列状态识别方法、装置及设备

Country Status (1)

Country Link
CN (1) CN110956206A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115270998A (zh) * 2022-09-26 2022-11-01 乐山师范学院 时间序列的有序分类方法、装置、计算机设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103294911A (zh) * 2013-05-23 2013-09-11 中国人民解放军国防科学技术大学 一种时间序列相似度值获取方法及系统
CN107590143A (zh) * 2016-07-06 2018-01-16 北京金山云网络技术有限公司 一种时间序列的检索方法、装置及系统
US20180349320A1 (en) * 2017-06-01 2018-12-06 Kabushiki Kaisha Toshiba Time series data analysis device, time series data analysis method, and computer program
CN110197211A (zh) * 2019-05-17 2019-09-03 河海大学 一种面向大坝安全监测数据的相似性数据聚类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103294911A (zh) * 2013-05-23 2013-09-11 中国人民解放军国防科学技术大学 一种时间序列相似度值获取方法及系统
CN107590143A (zh) * 2016-07-06 2018-01-16 北京金山云网络技术有限公司 一种时间序列的检索方法、装置及系统
US20180349320A1 (en) * 2017-06-01 2018-12-06 Kabushiki Kaisha Toshiba Time series data analysis device, time series data analysis method, and computer program
CN110197211A (zh) * 2019-05-17 2019-09-03 河海大学 一种面向大坝安全监测数据的相似性数据聚类方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115270998A (zh) * 2022-09-26 2022-11-01 乐山师范学院 时间序列的有序分类方法、装置、计算机设备及存储介质
CN115270998B (zh) * 2022-09-26 2022-12-02 乐山师范学院 时间序列的有序分类方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN110851338B (zh) 异常检测方法、电子设备及存储介质
Hahsler et al. dbscan: Fast density-based clustering with R
Wang et al. A divide-and-conquer approach for minimum spanning tree-based clustering
CN108777873A (zh) 基于加权混合孤立森林的无线传感网络异常数据检测方法
EP3629254A1 (en) Determining anonymized temporal activity signatures of individuals
WO2012118998A2 (en) Apparatus, system, and method for detecting activities and anomalies in time series data
WO2012119126A2 (en) Apparatus, system, and method for automatic identification of sensor placement
KR101955012B1 (ko) 뇌졸중 예측과 분석 시스템 및 방법
JP6952660B2 (ja) 更新支援装置、更新支援方法およびプログラム
CN103842922A (zh) 通过模式序列使用内核回归建模的监控系统
CN110532999B (zh) 抽烟行为识别方法、装置及设备
CN103106394A (zh) 一种视频监控中的人体行为识别方法
Guillame-Bert et al. Classification of time sequences using graphs of temporal constraints
JP7131351B2 (ja) 学習方法、学習プログラムおよび学習装置
JP2010146223A (ja) 行動抽出システム、行動抽出方法、及びサーバ
le Roux et al. Energy-aware feature and model selection for onboard behavior classification in low-power animal borne sensor applications
Balavand et al. Automatic clustering based on crow search algorithm-Kmeans (CSA-Kmeans) and data envelopment analysis (DEA)
JPWO2019244203A1 (ja) 診断装置、診断方法及びプログラム
Demrozi et al. B-HAR: An open-source baseline framework for in depth study of human activity recognition datasets and workflows
CN110956206A (zh) 时间序列状态识别方法、装置及设备
CN114241270A (zh) 一种家庭护理智能监督方法、系统及装置
JP6057786B2 (ja) 時系列データ解析装置、時系列データ解析方法、およびプログラム
Ferdous et al. Cdans: Temporal causal discovery from autocorrelated and non-stationary time series data
CN116244356A (zh) 异常轨迹检测方法、装置、电子设备及存储介质
KR101483218B1 (ko) 활동 진단 장치

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200403