[发明专利]基于目标特征的时间序列相似性计算方法

权利要求书

1.一种基于目标特征的时间序列相似性计算方法，其特征在于，包括以下步骤：

S1.对一元时间序列训练集中的数据进行归一化处理；

S2.定义时间序列的目标特征及其计算方式，并求出目标特征时序，将一元时序转换为目标特征时序组成的多元时序；

S3.根据不同种类目标特征时序，将训练集中时间序列依次与其他时序数据的对应特征时序进行DTW距离计算，再根据距离进行1-NN分类，计算各种特征进行分类时的准确度，同时记录这个过程中各类目标特征距离的中位数，依据分类准度和中位数算出各目标特征的权重W；

S4.对于待求距的两个时间序列归一化处理后，分别求出其目标特征时序，计算同类目标特征间的距离，再以S3求出的权重W进行加权累加，得到目标特征动态时间弯曲距离。

2.根据权利要求1所述的基于目标特征的时间序列相似性计算方法，其特征在于，步骤S1中：对有k条数据的训练集数据D进行扫描，首先归一化到区间[0,1]中，归一方式如公式(1)所示：

其中s_i为时序原始数据，s_min、s_max分别为时序中的最大值和最小值。

3.根据权利要求1所述的基于目标特征的时间序列相似性计算方法，其特征在于，步骤S2中：定义目标特征，即定义使用者关注或关心的特征，例如针对金融数据，可以定义以下目标特征：时间序列中相隔5点价格变动最大的10％的位置、价格变动最小的10％的位置，时间序列中相隔10点价格变动最大的5％的位置、价格变动最小的5％的位置，对时间序列进行100分段PAA均值处理后最大的40各位置、最小的40个位置，对时间序列进行50分段PAA均值处理后最大的20个位置、最小的20个位置等；根据使用者定义的目标特征，再定义各目标特征计算公式，用以生成目标特征序列。

4.根据权利要求2所述的基于目标特征的时间序列相似性计算方法，其特征在于，步骤S2中：将所有归一化后的原始一元时序数据分解为多元时序，每个序列代表一个目标特征的分布描述，分解方式由使用者自定义，如定义了k个目标特征，一个时间序列就分解为k个特征序列。

5.根据权利要求4所述的基于目标特征的时间序列相似性计算方法，其特征在于，步骤S3中：将每条分解得到的k种目标特征时序，分别在训练集上和其他时序的同类目标特征时序进行DTW距离计算，根据DTW距离进行m次同类目标时时序间的1-NN分类，最终计算各类目标特征时序进行单独1-NN分类时的准确度p_i以及各类目标距离分布的中位数m_i，其中i表示第i类目标特征，根据p_i与m_i计算i特征的权重w_i。

6.根据权利要求5所述的基于目标特征的时间序列相似性计算方法，其特征在于，步骤S3中：根据各目标特征的分类准确度和分布区间大小确定各特征的权重，权重计算公式为w_i＝p_i/m_i，最终由wi组成权重向量。

7.根据权利要求6所述的基于目标特征的时间序列相似性计算方法，其特征在于，步骤S4中：将待测距的两条时序分解为目标特征序列后，采用多元时序的距离度量思路进行加权距离计算，即计算两时序各目标特征时序的DTW距离Dist_i，得到距离后利用各特征权重w_i进行加权累加，得到最终的目标特征动态时间弯曲距离。