Derivative Delay Embedding: Online Modeling of Streaming Time Series, Zhifei Zhang+, N/A, arXiv'16

[AkihikoWatanabe]

URL

• https://arxiv.org/abs/1609.07540

Affiliations

• Zhifei Zhang, N/A
• Yang Song, N/A
• Wei Wang, N/A
• Hairong Qi, N/A

Abstract

• The staggering amount of streaming time series coming from the real worldcalls for more efficient and effective online modeling solution. For timeseries modeling, most existing works make some unrealistic assumptions such asthe input data is of fixed length or well aligned, which requires extra efforton segmentation or normalization of the raw streaming data. Although someliterature claim their approaches to be invariant to data length andmisalignment, they are too time-consuming to model a streaming time series inan online manner. We propose a novel and more practical online modeling andclassification scheme, DDE-MGM, which does not make any assumptions on the timeseries while maintaining high efficiency and state-of-the-art performance. Thederivative delay embedding (DDE) is developed to incrementally transform timeseries to the embedding space, where the intrinsic characteristics of data ispreserved as recursive patterns regardless of the stream length andmisalignment. Then, a non-parametric Markov geographic model (MGM) is proposedto both model and classify the pattern in an online manner. Experimentalresults demonstrate the effectiveness and superior classification accuracy ofthe proposed DDE-MGM in an online setting as compared to the state-of-the-art.

Translation (by gpt-3.5-turbo)

• 現実世界からの膨大なストリーミング時系列データに対して、より効率的かつ効果的なオンラインモデリングソリューションが求められています。
  時系列モデリングにおいて、既存の多くの研究では、入力データが固定長または適切に整列しているという非現実的な仮定を行っており、生のストリーミングデータのセグメンテーションや正規化に追加の手間が必要です。
  一部の文献では、データの長さや整列に対して不変であると主張していますが、オンラインでストリーミング時系列をモデリングするには時間がかかりすぎます。
  本研究では、時系列に対して任意の仮定を行わずに、高い効率性と最先端の性能を維持しながら、より実用的なオンラインモデリングおよび分類手法であるDDE-MGMを提案します。
  導関数遅延埋め込み（DDE）は、ストリームの長さや整列に関係なく、再帰的なパターンとしてデータの固有の特性を保持する埋め込み空間に時系列を逐次的に変換するために開発されています。
  次に、非パラメトリックなマルコフ地理モデル（MGM）を提案し、オンラインでパターンをモデリングおよび分類します。
  実験結果は、提案されたDDE-MGMのオンライン設定における効果と優れた分類精度を、最先端の手法と比較して示しています。

Summary (by gpt-3.5-turbo)

• 本研究では、オンラインでストリーミング時系列データを効率的にモデリングするためのDDE-MGM手法を提案しています。
  DDEは、再帰的なパターンを保持する埋め込み空間に時系列を変換するために使用され、MGMはパターンのモデリングと分類に使用されます。
  実験結果は、提案手法の効果と優れた分類精度を示しています。

[AkihikoWatanabe]

スライド：https://www.slideshare.net/akihikowatanabe3110/brief-survey-of-datatotext-systems

[AkihikoWatanabe]