[论文解读] sDTW: Computing DTW Distances using Locally Relevant Constraints based on Salient Feature Alignments

K. Selçuk Candan, Rosaria Rossini+2 more|arXiv (Cornell University)|Aug 1, 2012

Time Series Analysis and Forecasting参考文献 1被引用 4

一句话总结

本文提出sDTW，一种新颖的动态时间规整（DTW）算法，通过利用时间序列中的显著、尺度不变特征，推导出用于剪枝DTW网格的局部相关约束。通过识别稳健的显著特征并一致地对齐系列间的特征，sDTW动态构建搜索带，相较于固定约束方法，在准确性和效率方面均有提升，自适应核心与宽度策略在真实世界数据集上实现了更优的速度-准确率权衡。

ABSTRACT

Many applications generate and consume temporal data and retrieval of time series is a key processing step in many application domains. Dynamic time warping (DTW) distance between time series of size N and M is computed relying on a dynamic programming approach which creates and fills an NxM grid to search for an optimal warp path. Since this can be costly, various heuristics have been proposed to cut away the potentially unproductive portions of the DTW grid. In this paper, we argue that time series often carry structural features that can be used for identifying locally relevant constraints to eliminate redundant work. Relying on this observation, we propose salient feature based sDTW algorithms which first identify robust salient features in the given time series and then find a consistent alignment of these to establish the boundaries for the warp path search. More specifically, we propose alternative fixed core&adaptive width, adaptive core&fixed width, and adaptive core&adaptive width strategies which enforce different constraints reflecting the high level structural characteristics of the series in the data set. Experiment results show that the proposed sDTW algorithms help achieve much higher accuracy in DTWcomputation and time series retrieval than fixed core & fixed width algorithms that do not leverage local features of the given time series.

研究动机与目标

• 解决固定约束DTW方法在时间序列中未考虑局部结构变化时的低效与不准确问题。
• 通过识别并利用基于显著特征的局部相关约束，减少DTW中的冗余计算。
• 通过利用时间序列自身的结构证据改进DTW距离估计的准确性，而非依赖训练数据或启发式方法。
• 探索多种约束策略——固定核心与自适应宽度、自适应核心与固定宽度、自适应核心与自适应宽度——基于时间序列的结构特征。

提出的方法

• 使用尺度不变变换检测时间序列中的显著特征，以确保在不同尺度下的鲁棒性。
• 在两条时间序列之间建立显著特征的一致对齐，以推断结构对应关系。
• 利用对齐的显著特征定义动态的、局部相关的搜索带（约束），替代Sakoe-Chiba或Itakura等固定带。
• 实现三种约束策略：固定核心与自适应宽度、自适应核心与固定宽度、自适应核心与自适应宽度，每种策略反映对结构变化的不同假设。
• 在约束搜索带内应用动态规划，高效计算DTW距离。
• 利用描述符长度及特征周围的时序上下文，调节搜索带的核心与宽度以实现最佳性能。

实验结果

研究问题

• RQ1 能否利用时间序列中的显著特征，推导出比固定带方法更有效、更局部相关的DTW约束？
• RQ2 不同约束策略（固定与自适应核心/宽度）如何影响DTW计算的准确率与效率？
• RQ3 通过利用时间序列自身提供的局部结构证据，是否能在无需训练数据或用户反馈的情况下提升DTW的准确率？
• RQ4 为最大化准确率与加速效果，捕捉显著特征及其时序上下文的最优描述符长度是多少？

主要发现

• 自适应核心与自适应宽度（ac,aw）策略在所有数据集上均实现了最佳的整体准确率与加速效果，优于固定约束方法。
• 在50Words数据集中，更大的描述符（覆盖更多时序上下文）显著提升了准确率，表明该数据集中特征在小尺度下缺乏强区分性。
• 在Gun与Trace数据集中，描述符长度约为32时达到最优准确率，表明这些数据集中的显著特征更具区分性，且对上下文需求较低。
• 固定核心与自适应宽度（fc,aw）方法在最小描述符尺寸（4个区间）下实现了最佳准确率，但时间加速效果较差。
• 自适应核心与固定宽度（ac,fw）策略在Gun与Trace数据集中，增大描述符后改进有限，表明在小尺度下特征区分性已足够强。
• 在所有数据集中，采用自适应约束的sDTW相比固定约束基线，显著减少了类内距离误差，并提升了top-5与top-10分类准确率。