让用户用领域知识引导时间序列模式发现，提升发现结果的相关性。
Steering the LoCoMotif: Using Domain Knowledge in Time Series Motif Discovery
- 通过用户定义的领域约束条件指导模式搜索。
- 在真实与合成数据上优于仅支持有限领域知识的方法。
- 适合需要精准匹配领域需求的时间序列分析场景。
时间序列模式发现（TSMD）旨在识别时间序列数据中的重复模式，但其无监督特性可能导致发现的模式对用户不具意义。为此，我们提出一个框架，允许用户根据应用领域的所需模式属性施加约束，这些约束可轻松定义。我们还提出了该框架的高效实现——LoCoMotif-DoK算法。实验表明，LoCoMotif-DoK能有效利用领域知识，在真实和合成数据上表现优于仅支持有限形式领域知识的其他TSMD技术。
原文摘要 · Abstract (English)
Time Series Motif Discovery (TSMD) identifies repeating patterns in time series data, but its unsupervised nature might result in motifs that are not interesting to the user. To address this, we propose a framework that allows the user to impose constraints on the motifs to be discovered, where constraints can easily be defined according to the properties of the desired motifs in the application domain. We also propose an efficient implementation of the framework, the LoCoMotif-DoK algorithm. We demonstrate that LoCoMotif-DoK can effectively leverage domain knowledge in real and synthetic data, outperforming other TSMD techniques which only support a limited form of domain knowledge.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。