基于离均差的时间序列相似性度量

 时间序列的相似性度量是数据挖掘领域研究的一个热点，高维多元时间序列数据一般含有大量的噪声不利于相似性的比较。针对现有的时间序列度量方法存在的问题，在改进的时间序列自底向上融合算法的基础上,提出一种新的基于离均差的时间序列相似性度量的夹角余弦算法(Angle Cosine Metric Similarity，ACMS)。ACMS算法将时间序列等价为一个多维度的向量，充分考虑2个向量的方向和大小特征，增强振幅变化的鲁棒性，减少人为干扰，对数据挖掘中的聚类和预测具有帮助作用。