Framework for Variable-lag Motif Following Relation Inference In Time Series using Matrix Profile analysis

要約

誰が誰に従うのか、そして彼らがどのようなパターンに従っているのかを知ることは、集団行動 (人間のグループ、魚の群れ、株式市場など) を理解するための重要なステップです。
時系列は、以下の関係に関する洞察を得るために使用できるリソースの 1 つです。
しかし、パターンやモチーフを追跡するという概念と、それらを時系列で見つけるための解決策は自明ではありません。
この研究では、2 つの時系列間でモチーフを追跡するという概念を形式化し、2 つの時系列間でパターンを追跡するフレームワークを提示します。
このフレームワークは、マトリックス プロファイル法と呼ばれる、時系列からモチーフを取得するための効率的でスケーラブルな方法の 1 つを利用します。
私たちが提案するフレームワークをいくつかのベースラインと比較します。
フレームワークは、シミュレーション データセットのベースラインよりも優れたパフォーマンスを発揮します。
サウンド録音のデータセットでは、フレームワークは 2 人の歌手が互いに続いて歌う 1 組の時系列内で次のモチーフを取得できます。
暗号通貨データセットでは、フレームワークは 2 つのデジタル通貨から時系列のペア内で次のモチーフをキャプチャできます。これは、ある通貨の価値が別の通貨パターンの価値に従うことを意味します。
私たちのフレームワークは、時系列間のパターンの追跡に関する洞察を得るために、時系列のあらゆる分野で利用できます。

要約(オリジナル)

Knowing who follows whom and what patterns they are following are crucial steps to understand collective behaviors (e.g. a group of human, a school of fish, or a stock market). Time series is one of resources that can be used to get insight regarding following relations. However, the concept of following patterns or motifs and the solution to find them in time series are not obvious. In this work, we formalize a concept of following motifs between two time series and present a framework to infer following patterns between two time series. The framework utilizes one of efficient and scalable methods to retrieve motifs from time series called the Matrix Profile Method. We compare our proposed framework with several baselines. The framework performs better than baselines in the simulation datasets. In the dataset of sound recording, the framework is able to retrieve the following motifs within a pair of time series that two singers sing following each other. In the cryptocurrency dataset, the framework is capable of capturing the following motifs within a pair of time series from two digital currencies, which implies that the values of one currency follow the values of another currency patterns. Our framework can be utilized in any field of time series to get insight regarding following patterns between time series.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google