时间序列分类相似度度量的实证评估
本文通过广泛的实验研究，比较了不同的时间序列数据表示法和相似度度量方法的有效性，对现有的成果进行了统一的验证，并揭示了文献中某些主张可能过于乐观的情况。
Dec, 2010
一种高度比较，基于特征的时间序列分类方法，利用广泛的算法数据库从时间序列中提取数千个可解释的特征，并采用贪心前向特征选择与线性分类器选择最具信息的特征进行分类，实现了对时序列的降维并超越了传统的基于实例的分类器。
Jan, 2014
介紹了 PATTERN REPRESENTATION COMPARISON IN SERIES (PRCIS)，一種長時間序列的距離度量方法，可利用近期對時間序列用字典縮略的進展，展示其對多種任務和數據集的實用性。
Dec, 2022
本文研究了分布相似度量的应用，以提高对未见共现情况的概率估计。我们的研究贡献有三个：通过广泛的比较实现了相似度量的分类，通过信息融合确定相似函数类型，介绍一种优秀的函数进行潜在代理分布的量化评估。
Jan, 2000
该研究旨在开发一种无监督学习框架，能够在未标记的事件触发时间序列中学习任务感知的相似性，该框架利用多尺度自编码器和高斯混合模型有效地学习时间序列的低维表示，得到的相似度量易于解释，通过广泛的实验表明，该方法明显优于现有的方法。
Jul, 2022
这篇论文介绍了基于结构、信息内容和特征的语义相似度测量方法，并针对两个标准基准进行了分类和评估，目的是为研究人员和从业者选择适合其要求的最佳度量提供有效的评估。
Oct, 2013
时间序列分类（TSC）一直是数据科学和知识工程中的一项关键且具有挑战性的问题。在过去的二十年里，有关 TSC 的研究受到了广泛关注，并涌现出许多基于相似度度量、区间、形状、字典、深度学习方法或混合集成方法的最新方法。近年来，人们还设计了几种从时间序列中提取无监督信息摘要统计（即特征）的工具。本文通过对 112 个时间序列数据集上进行的超过 10000 次学习实验的结果分析表明，基于特征的方法的性能与当前先进的 TSC 算法一样准确，因此在 TSC 文献中应该得到更多的关注。
Aug, 2023
时间序列分析中，精确测量相似性对于预测、异常检测和聚类等应用至关重要。本文引入了一种基于结构相似性指数度量的时间序列结构相似性指标测量（TS3IM），通过评估趋势、变异性和结构完整性等多个维度的相似性，提供了更细致和全面的测量方法。这一新指标在分析时间数据、提供更准确和全面的序列分析和决策支持方面有着重要的作用，在监测能耗、分析交通流量和对抗性识别等领域取得了实验结果方面显著的进展。
May, 2024