一，论文研读总结

• 研究对象
  本篇论文是关于时间序列数据挖掘中特征表示与相似性度量的一篇研究综述。
• 研究动机
  时间序列数据挖掘中问题
  分析了时间序列特征表示和相似性度量在数据挖掘中的作用，意义，对目前已有的主要方法进行综述，分析各自存在的优缺点；此外探讨了一些值得关注的问题。
• 文献综述
  主要论述了特征研究现状及方法；相似性度量的研究现状及方法。
  特征表示
  1.1分段线性表示方法
  1.2分段聚合表示方法
  1.3符号化表示方法
  1.4基于域变换的表示方法
  1.5奇异值分解表示方法
  1.6基于模型的表示方法
  相似性度量
  1.1欧氏距离
  1.2动态时间弯曲
  1.3符号化距离
  1.4基于模型和压缩距离变量
  1.5其他距离度量方法
• 研究方案设计
• 使用数据集
• 研究结论
• 学习心得
  由于时间序列通常是一种高维且随时间变化的而变化的的数据，产生过程极易受到环境因素的影响，并存在一定的噪声。针对此类复杂的数据，研究如何从中获取有效的信息和知识，，对社会生产实践和科学研究有非常重要的理论研究价值和重要意义。
  时间序列的高维特性，需要我们对时间序列进行局部特征提取或全局分解，降低原时间序列维度，并结合时间序列相似性度量方法有效合理的进行时间序列数据挖掘。
  特征表示方法就是将高维空间中的时间序列映射到低维特征空间，实现数据降维，还可以反应时间序列的基本形态和重要信息，提高时间序列数据挖掘效率。
  相似性度量方法进行相似性比较，有效反应时间序列之间的关系。

原文地址：https://www.cnblogs.com/zaw-315/p/11220255.html