多元时间序列数据挖掘中相似性算法的研究的任务书.docx

多元时间序列数据挖掘中相似性算法的研究的任务书
任务书
背景
多元时间序列数据是指由多组联合观测值组成的序列数据，这种数据通常来自于不同的领域，如金融、生物、气象、医疗等。其中每一个维度可以看作一个时间序列，这些序列之间具有一定的关联性。由于各种类型的数据包含的信息量非常大，因此深层次地挖掘这些数据是一项非常具有挑战性的任务。
相似性算法是多元时间序列数据挖掘中的一种重要技术。通过找到相似的序列，可以提取出数据中隐藏的规律和特征，进而进行下一步的分析和预测。但是，由于多元时间序列数据的复杂性，相似性算法的研究存在一定的困难，需要进行深入的研究和探索。
任务
本次任务的目的是深入研究多元时间序列数据中的相似性算法，探讨在此类数据中如何进行序列相似性的量化，以及如何筛选和比较相似的序列。在此过程中，需要考虑以下几个方面：
1.相似度计算
在多元时间序列数据中，如何计算序列之间的相似度是一个非常关键的问题。需要研究各种不同的相似性度量方法，并在比较实验中进行验证和对比。
2.数据筛选
如何从庞大的数据集中筛选出具有代表性的序列，以保证算法的有效性和通用性，是本次任务中另一个非常重要的问题。需要考虑多种不同的数据筛选方法，并对其进行验证和研究。
3.算法性能
在研究相似性算法的同时，需要考虑算法在实际应用中的性能和效率。因此，需要对算法的时间复杂度和空间复杂度进行评估，并对算法进行改进和优化。
4.应用场景
最终，需要将所研究的算法应用到具体的领域或问题中，并评估其有效性和实际价值。需要借助实际数据来进行验证和测试，并对算法进行改进和优化。
总体要求
本次任务需要在多元时间序列数据挖掘领域中研究相似性算法，深入探讨序列相似性的度量方法和数据筛选方法，并对算法的性能和应用进行评估和测试。具体要求如下：
1.搜集相关文献和数据，对多元时间序列数据中的相似性算法进行研究和分析。
2.设计和实现相似性算法，并将其应用于实际数据中。
3.对算法进行性能评估和比较，并进行改进和优化。
4.撰写报告和论文，并进行汇报和讨论。
参考文献
1.H.Wang,T.Li,D.Yeung,andJ.D.Lee.Timeseriesclusteringviacommunitydetectioninnetworks.InSDM,2011.
2.L.Shao,X.Li,L.Bo,andX.Zhang.Localweighteddiscriminativeanalysisfordimensionalityreductionofhigh-dimensionaltimeseries.MachineLearning,2016.
3.R.Bhatia,M.Jain,andS.Chaudhury.Scalableclusteringovermultiplearbitrarygraphs.InKDD,2015.
4.L.Liu,W.Chu,andH.Chen.Sparsefunctionalprincipalcomponentanalysisviamajorization-minimizationalgorithm.JournaloftheAmericanStatisticalAssociation,2014.
5.A.V.NascimentoandL.A.Ribeiro.Similaritysearchovertimeseriesdatainhigh-dimensionalandlarge-scaledatabases.JournalofSystemsandSoftware,2014.
6.Y.Wang,G.Zeng,H.Huang,L.Shu,andY.Li.Anovelalgorithmformininglarge-scalespatiotemporaldatabasedoncompressivesensing.IEEETransactionsonKnowledgeandDataEngineering,2015.