Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο: https://ruomo.lib.uom.gr/handle/7000/1191
Τίτλος: Cluster-Based Similarity Search in Time Series
Συγγραφείς: Karamitopoulos, Leonidas
Evangelidis, Georgios
Τύπος: Conference Paper
Θέματα: FRASCATI::Natural sciences::Computer and information sciences
Λέξεις-Κλειδιά: similarity search
clustering
time series
data mining
Ημερομηνία Έκδοσης: 2009
Πρώτη Σελίδα: 113
Τελευταία Σελίδα: 118
Τίτλος Τόμου: 2009 Fourth Balkan Conference in Informatics
Επιτομή: In this paper, we present a new method that accelerates similarity search implemented via one-nearest neighbor on time series data. The main idea is to identify the most similar time series to a given query without necessarily searching over the whole database. Our method is based on partitioning the search space by applying the K-means algorithm on the data. Then, similarity search is performed hierarchically starting from the cluster that lies most closely to the query. This procedure aims at reaching the most similar series without searching all clusters. In this work, we propose to reduce the intrinsically high dimensionality of time series prior to clustering by applying a well known dimensionality reduction technique, namely, the piecewise aggregate approximation, for its simplicity and efficiency. Experiments are conducted on twelve real-world and synthetic datasets covering a wide range of applications.
URI: https://doi.org/10.1109/BCI.2009.22
https://ruomo.lib.uom.gr/handle/7000/1191
ISBN: 978-0-7695-3783-2
Αλλοι Προσδιοριστές: 10.1109/BCI.2009.22
Εμφανίζεται στις Συλλογές: Τμήμα Εφαρμοσμένης Πληροφορικής

Αρχεία σε αυτό το Τεκμήριο:
Αρχείο Περιγραφή ΜέγεθοςΜορφότυπος 
2009_BCI.pdf204,97 kBAdobe PDFThumbnail
Προβολή/Ανοιγμα


Αυτό το τεκμήριο προστατεύεται από Αδεια Creative Commons Creative Commons