基于核密度估计的时间序列多模式发现 (2011年)

现有时间序列频繁模式或异常模式发现算法均以发现二者之一为目的，且多数采用硬距离阈值策略。为达到同时发现频繁模式和异常模式的目的，提出时间序列集频繁模式和异常模式发现算法FAP。FAP算法采用高斯核密度作为模式的支持度量，使用最小密度熵方法选择高斯核函数的带宽参数，进而避免了硬距离阈值策略的不足，实现了时间序列多模式发现。因为现实中的时间序列数据集规模较大且常含有噪声，所以FAP采用Haar小波变换压缩原始时间序列并过滤噪声。用来自UCR的数据集测试FAP算法，实验数据集的频繁模式与异常模式均能被正确发现。