Zoom-SVD: 在任意时间范围内快速和高效提取关键模式的方法
摘要：在给定多个时间序列数据的情况下，我们如何高效地在任意时间范围内找到潜在模式？奇异值分解（SVD）是发现多个时间序列数据中隐藏因素的重要工具，并已在许多数据挖掘应用中使用，包括降维、主成分分析、推荐系统等。除了静态版本之外，增量SVD还被用于处理多个半无限时间序列数据并识别数据的模式。然而，现有的多个时间序列数据分析的SVD方法在任意时间范围内并不提供数据模式检测的功能：标准SVD需要为与时间范围查询相对应的所有时间间隔提供数据，而增量SVD不考虑任意时间范围。在本文中，我们提出了Zoom-SVD，一种快速且内存高效的方法，用于在任意时间范围内找到时间序列数据的潜在因素。Zoom-SVD逐块递增地压缩多个时间序列数据以减少存储阶段的空间成本，并通过精心拼接存储的SVD结果，在查询阶段高效计算给定时间范围查询的奇异值分解（SVD）。通过大量实验证明，Zoom-SVD比现有方法快15倍，占用的空间少15倍。我们的案例研究表明，Zoom-SVD对于捕捉与查询时间范围相似的过去时间范围的模式非常有用。
作者：Jun-Gi Jang, Dongjin Choi, Jinhong Jung, U Kang
论文ID：1805.00754
分类：Numerical Analysis
分类简称：cs.NA
提交时间：2018-12-21