[论文解读] Computing Continuous Dynamic Time Warping of Time Series in Polynomial Time

Kevin Buchin, André Nusser+1 more|arXiv (Cornell University)|Jan 1, 2022

Time Series Analysis and Forecasting被引用 4

一句话总结

本文提出了首个用于计算一维时间序列曲线连续动态时间规整（CDTW）的精确多项式时间算法，时间复杂度为 O(n⁵)。该方法通过动态规划框架传播连续分段二次代价函数，并采用新颖技术控制函数复杂度，确保多项式时间运行，标志着 CDTW 在时间序列分析中实际应用的奠基性一步。

ABSTRACT

Dynamic Time Warping is arguably the most popular similarity measure for time series, where we define a time series to be a one-dimensional polygonal curve. The drawback of Dynamic Time Warping is that it is sensitive to the sampling rate of the time series. The Fréchet distance is an alternative that has gained popularity, however, its drawback is that it is sensitive to outliers. Continuous Dynamic Time Warping (CDTW) is a recently proposed alternative that does not exhibit the aforementioned drawbacks. CDTW combines the continuous nature of the Fréchet distance with the summation of Dynamic Time Warping, resulting in a similarity measure that is robust to sampling rate and to outliers. In a recent experimental work of Brankovic et al., it was demonstrated that clustering under CDTW avoids the unwanted artifacts that appear when clustering under Dynamic Time Warping and under the Fréchet distance. Despite its advantages, the major shortcoming of CDTW is that there is no exact algorithm for computing CDTW, in polynomial time or otherwise. In this work, we present the first exact algorithm for computing CDTW of one-dimensional curves. Our algorithm runs in time $O(n^5)$ for a pair of one-dimensional curves, each with complexity at most $n$. In our algorithm, we propagate continuous functions in the dynamic program for CDTW, where the main difficulty lies in bounding the complexity of the functions. We believe that our result is an important first step towards CDTW becoming a practical similarity measure between curves.

研究动机与目标

• 解决连续动态时间规整（CDTW）缺乏精确多项式时间算法的问题，CDTW 是一种结合了 DTW 的鲁棒性与 Fréchet 距离连续性的相似性度量。
• 克服现有度量的局限性：DTW 对采样率敏感，Fréchet 距离对异常值敏感。
• 提出一种动态规划方法，传播连续代价函数的同时控制其复杂度，以确保多项式时间计算。
• 为 CDTW 建立理论基础，使其成为时间序列分析中实用且广泛应用的相似性度量。

提出的方法

• 将 CDTW 形式化为连续对齐问题，其中代价是沿两条一维多边形曲线单调遍历路径的逐点距离积分。
• 在曲线线段构成的网格上使用动态规划，每个单元格存储一个表示到达该点最小代价的连续分段二次代价函数。
• 通过三种类型的转移（路径）传播代价函数：(B1/B2) 水平和垂直转移，以及 (C3.1/C3.2) 带非水平延伸的对角线转移。
• 在累积最小值操作中应用非水平（二次）延伸，以建模最优路径，确保连续性并控制复杂度。
• 通过二次函数及其导数的结构分析，界定每个传播代价函数中分段数的上限。
• 证明所有网格单元格中代价函数分段总数为 n 的多项式，从而得出整体 O(n⁵) 时间复杂度。

实验结果

研究问题

• RQ1 尽管对齐具有连续性，是否仍可实现 CDTW 的精确多项式时间算法？
• RQ2 在 CDTW 的动态规划传播过程中，所产生的连续代价函数的最大复杂度是多少？
• RQ3 CDTW 中连续函数的传播是否可被充分控制，以获得多项式时间算法？
• RQ4 所提出的方法是否在实现精确计算的同时，仍保持 CDTW 的鲁棒性——即对采样率变化和异常值的不敏感性？

主要发现

• 本文提出了首个用于计算一维时间序列曲线 CDTW 的精确算法，时间复杂度为 O(n⁵)。
• 该算法通过动态规划传播连续分段二次代价函数，且对每个函数的复杂度进行了精确控制。
• 所有传播函数中分段总数的上限为 n 的多项式，确保整体运行时间保持多项式级别。
• 该方法通过在累积最小值操作中引入非水平、二次形状的延伸，推广了离散 DTW 中的标准方法。
• 分析证明，二次函数中不同 (a,b) 系数对的数量在各层级间非递增，从而支持 O(n⁵) 的时间复杂度上界。
• 该工作建立了坚实的理论框架，支持 CDTW 作为时间序列分析中一种鲁棒相似性度量的实际应用。