基于DTW的时间序列的聚类方法研究开题报告

全文总字数：4896字

1. 研究目的与意义（文献综述）

1.1课题研究的目的及意义

时间序列数据存在于许多领域，包括经济学、金融、系统制造和医学等。随着采集设备和传感器的爆炸式增长，时间序列在大量应用中变得越来越可用。在时间序列分析问题中，量化两个数字序列之间的相似性是最基本的任务，这种距离度量的性能对许多数据挖掘工作至关重要。不过，对时间序列进行聚类比传统数据分析要更具挑战，因为两个形状相似的时间序列长度未必相等而且特征点在时间轴上可以是错位的，这导致直接计算欧式距离不能很好地反映两个时间序列的相似度。

动态时间规整（dynamic time warping, dtw）是在三十多年前声音处理的背景下提出的一种用于测量两个时间序列之间相似度的算法，是在时间序列分析中广泛接受的度量方法。dtw依靠在时间轴上对时间序列进行拉伸和压缩来实现时间序列间的特征点对齐，校正时间轴上的错位。dtw有着不要求时间序列长度相同的特性，因而广泛地应用于孤立词语音识别、手势识别、数据挖掘和在线签名识别，是模板匹配领域的研究热点之一。

2. 研究的基本内容与方案

2.1研究的基本内容、目标

对时间序列聚类是时间序列分析领域的热点研究问题，而dtw是现在应用最广泛的时间度量方法，因此对dtw的改进一直是相似性度量的重点方向。本文的主要内容如下：

1.详细分析传统dtw的算法步骤和缺点，探究其原因；

3. 研究计划与安排

1-3周：查阅文献，完成开题报告

4-6周：总体设计，完成论文综述

7-10周：设计算法，功能模块设计

4. 参考文献（12篇以上）

[1].petitjean, f., a. ketterlin andp. ganarski, a global averaging method for dynamic time warping, withapplications to clustering. pattern recognition, 2011. 44(3): p. 678-693.

[2].liu, y., y. zhang and m. zeng,adaptive global time sequence averaging method using dynamic time warping. ieeetransactions on signal processing, 2019. 67(8): p. 2129-2142.

[3].ongwattanakul, s. and d.srisai. contrast enhanced dynamic time warping distance for time series shapeaveraging classification. 2009: acm.