提高时间序列分类的准确性：在相似性准则中结合全局信息和局部信息

考虑到时间序列分类在许多领域中的广泛使用，如何提高分类的准确性已经引起了广泛的关注。 本文提出了一种基于全局和局部信息的新的相似度度量（SIMscl），以提高一个最近邻（1NN）分类器的准确率。 具体而言，全局信息记录了时间序列的内在属性，并由两个指标反映：形状信息和复杂性； 本地信息关注值的精确匹配，并通过LB_keogh实现。 同时，提出了一种基于多尺度离散哈尔小波变换，关键点提取和符号化的方法来提取形状信息。 为了测试所提出的形状相似度SIMshape和混合相似度S / Msd的功效，对两个数据集进行了实验：星光曲线和牛肉。 实验评估表明，SIMshape可以处理某些因欧几里德距离（ED），LB_keogh和复杂度不变距离（CID）而误分类的时间序列，并且SIMscl在时间序列INN分类中比ED，LB_keogh和CID具有更高的精度。