干货！基于深度学习的向量嵌入技术在时间序列相似性查询中的应用

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

相似性搜索是时间序列分析的一个基本操作。根据最近的研究，基于iSAX的索引在相似性搜索中达到了目前的最优水平。然而，它们的性能在高频、弱时序相关或其他特定于数据集的属性下会显著降低。在这项工作中，我们提出了一种基于深度神经网络的新型时间序列摘要DEA，并专为学习DEA设计了网络架构SEAnet。为了有效地在海量数据集上训练SEAnet，我们提出了一种新的时间序列采样算法SEASam与传统iSAX和其他架构相比，使用SEAnet学习的DEA在7个不同的合成与真实数据集上都达到了最优的近似搜索水平。论文代码、预训练模型和数据集均已开源在htps://qtwang.github.io/kdd21-seanet。

本期AI TIME PhD直播间，我们邀请到巴黎大学博士生——王齐童，为我们带来报告分享《基于深度学习的向量嵌入技术在时间序列相似性查询中的应用》。

王齐童，巴黎大学在读博士生，在Themis Palpanas教授的指导下进行基于机器学习的时间序列管理与挖掘研究，同时关注相关技术在神经科学、天体物理等领域的实际应用。已在相关领域发表多篇论文。

个人主页是https://qtwang,github.io。

01

 背  景 

时间序列是将观测值按照时间发生的先后顺序（或其他领域相关的顺序定义）排列而成的数列。比如随着时间变化生成的人体脑电图数据（下图左），以及按照时间顺序生成的地震波数据（下图右），里面都展示了在同一时间段的不同时间序列。