时序人必备：时间序列任务介绍

在本篇文章中我们将介绍构成时间序列分析技术，并回答使用这些工具可以做什么的问题。

时间序列介绍

时间序列是随着时间的推移采集得到的有序数据点。例如，在物联网的背景下，来自传感器的测量结果通常包括时间序列（例如，压力、温度、电压等物理值）。

时间序列数据挖掘已经定义了几个任务，下面我们提供一个选择性的介绍。

Indexing

索引（也称为按内容查询）是在数据库中查找相似时间序列（或给定模式或时间序列子序列）的任务。

搜索相似的时间序列是其他分析任务（例如聚类或主题发现）的基础。

Clustering & Classification

聚类是将相似的时间序列聚合一起。

时间序列的聚类和分类都输出类别组。在分类的情况下，类别是预先定义的（称为类或标签），而在聚类的情况下，必须从数据的结构中找到离别，例如统计特征。

Forecasting

预测是在给定一些过去数据的情况下预测时间序列的未来值的任务，也是最著名和最常用的任务，并且有很多预测应用的示例。销售、产品价格或股票期权预测是金融领域的典型例子。

Anomaly detection

异常检测（也称为outlier或novelty detection）是查找异常数据点（称为异常值）或子序列的任务。

Change point detection

变化点检测需要寻找时间序列的统计属性（如均值、方差）突然变化的时间点。变点检测测试通常用于制造中的质量控制。

Motif discovery

主题发现需要寻找反复出现的时间序列子序列。

Segmentation

分割是通过减少时间序列的维度，同时保留其基本特征来创建时间序列的准确近似的任务。

Blind source separation

Blind source separation 是从一组混合信号中恢复源信号的任务。挑战在于使用很少的有关来源本身或混合过程的信息来做到这一点。一个典型的例子是隔离不同乐器一起演奏的声音。

# 中文竞赛社区邀请函 #

每天Kaggle算法竞赛、干货资讯汇总

与 20000+来自竞赛爱好者一起交流~