一种基于信息熵和DTW的多维时间序列相似性度量算法

摘要

提出一种基于信息熵和动态时间规整(DTW)的多维时间序列相似性度量的方法.首先,基于马氏距离(mahalanobis distance)的DTW,不仅考虑了多维时间序列的各个变量间的相互关系,而且对于长度不同的时间序列,通过动态规整可以进行准确地对齐.其次,利用信息熵理论,通过最小化损失函数,对马氏距离矩阵进行学习,来获得全局最优的马氏矩阵.为了验证所提算法的效果,选用UCI数据集中的5个数据集,采用最近邻分类算法对其进行分类实验.实验结果表明:该算法相比于其他算法,具有较高的分类准确率,且时间消耗较少.