多源时间序列中具有显著时间间隔的Shapelet对挖掘

Shapelet作为时间序列特征,具有较好的可解释性。Shapelet在行为识别、聚类分析及异常检测等方向均得到了广泛应用。但在电力运行监测、医学图像分析以及流媒体监测等领域,时间序列具有多源、同步的特点,仅对单一源上的时间序列提取Shapelet可能丢失序列间相关性。在Shapelet概念基础上,本文提出p-Shapelet作为不同源的Shapelet间关于时间间隔的特征表达,从而实现分析不同源Shapelet间的相关性。具体地,为找出不同类别样本间时间间隔具有最显著差异的Shapelet对,设计并实现了并行化挖掘的算法p-Shapelet miner。算法采用信息增益对不同源间的Shapelet对进行评价,并找出能最大化信息增益的Shapelet对（p-Shapelet）。利用CMU人体动作捕捉数据集进行实验,验证了算法的有效性与执行效率。     

基于分布式光纤传感系统的车辆轨迹提取方法

分布式光纤传感系统(distributed acoustic sensing,DAS)具有可获取连续分布信息、受环境影响小、成本低等优势,作者提出了一种利用DAS系统进行车辆轨迹提取的方法,为实现智慧化高速公路环境中全时空交通状态感知提供基础.首先,利用基于Φ-OTDR原理的DAS检测设备和高速公路通信光纤中的空闲纤芯...