Dữ liệu chuỗi thời gian tồn tại trong nhiều ứng dụng thực tế, từ các lãnh vực khoa học kỹ thuật cho đến kinh tế, tài chính. Trong những ứng dụng này, việc tìm kiếm những chuỗi con truy vấn có xuất hiện trong cơ sở dữ liệu chuỗi thời gian là một công việc rất cần thiết. Sự truy tìm dựa vào độ tương tự như vậy là một mô đun căn bản trong nhiều công tác khai phá dữ liệu chuỗi thời gian cao cấp hơn như gom cụm, phân lớp, tìm mô típ, phát hiện mẫu bất thường, khám phá luật kết hợp và trực quan hóa dữ liệu. Mặc dù có nhiều cách tiếp cận khác nhau đã được đề xuất, hầu hết các cách tiếp cận đều dựa trên một tiền đề chung là các phương pháp thu giảm số chiều và các cấu trúc chỉ mục không gian. Bài tổng quan này điểm qua các nghiên cứu mới đây và cho thấy cách mà những phương pháp này hội tụ về một khung thức chung của sự rút trích đặc trưng.
10 trang |
Chia sẻ: tlsuongmuoi | Lượt xem: 2908 | Lượt tải: 3
Bạn đang xem nội dung tài liệu Tổng quan về tìm kiếm tương tự trên dữ liệu chuỗi thời gian, để tải tài liệu về máy bạn click vào nút DOWNLOAD ở trên
TỔNG QUAN VỀ TÌM KIẾM TƯƠNG TỰ TRÊN DỮ LIỆU CHUỖI
THỜI GIAN
AN OVERVIEW OF SIMILARITY SEARCH IN TIME SERIES DATA
Dương Tuấn Anh
Khoa Khoa học và Kỹ thuật Máy tính, Đại học Bách Khoa Tp. Hồ Chí Minh
TÓM TẮT
Dữ liệu chuỗi thời gian tồn tại trong nhiều ứng dụng thực tế, từ các lãnh vực khoa học kỹ thuật cho
đến kinh tế, tài chính. Trong những ứng dụng này, việc tìm kiếm những chuỗi con truy vấn có xuất
hiện trong cơ sở dữ liệu chuỗi thời gian là một công việc rất cần thiết. Sự truy tìm dựa vào độ tương tự
như vậy là một mô đun căn bản trong nhiều công tác khai phá dữ liệu chuỗi thời gian cao cấp hơn như
gom cụm, phân lớp, tìm mô típ, phát hiện mẫu bất thường, khám phá luật kết hợp và trực quan hóa dữ
liệu. Mặc dù có nhiều cách tiếp cận khác nhau đã được đề xuất, hầu hết các cách tiếp cận đều dựa trên
một tiền đề chung là các phương pháp thu giảm số chiều và các cấu trúc chỉ mục không gian. Bài tổng
quan này điểm qua các nghiên cứu mới đây và cho thấy cách mà những phương pháp này hội tụ về
một khung thức chung của sự rút trích đặc trưng.
ABSTRACT
Time series data occur in many real life applications, ranging from science and engineering to
business. In many of these applications, searching through large time series database based on query
sequence is often desirable. Such similarity-based retrieval is also the basic subroutine in several
advanced time series data mining tasks such as clustering, classification, finding motifs, detecting
anomaly patterns, rule discovery and visualization. Although several different approaches have been
developed, most are based on the common premise of dimensionality reduction and spatial access
methods. This survey gives an overview of recent research and show how the methods fit into a
general framework of feature extraction.
1. GIỚI THIỆU
Một chuỗi thời gian (time series) là chuỗi trị số
thực, mỗi trị biểu diễn một giá trị đo tại những
thời điểm cách đều nhau. Những tập dữ liệu
chuỗi thời gian rất lớn xuất hiện trong nhiều
lãnh vực khác nhau như y khoa, kỹ thuật, kinh
tế, tài chính, v.v…Tìm kiếm tương tự
(similarity search) là công tác căn bản nhất để
khai thác những cơ sở dữ liệu chuỗi thời gian.
Vài áp dụng của tìm kiếm tương tự như:
- nhận dạng những công ty có kiểu mẫu tăng
trưởng giống nhau.
- Xác định những sản phẩm trong công ty có
những kiểu mẫu doanh số bán hàng giống nhau.
- Xác định những chứng khoán có giá biến
động theo một kiểu cách giống nhau.
- Tìm xem một giai điệu nhạc có tương tự với
một đoạn nhạc nào trong tập hợp những bản
nhạc đã có bản quyền.
- Tìm những tháng trong quá khứ mà lượng
mưa giống như tháng vừa rồi.
Bài toán tìm kiếm tương tự nêu trên là một
thành phần căn bản trong nhiều công tác khai
phá dữ liệu chuỗi thời gian cao cấp hơn như
gom cụm, phân lớp, tìm mô típ, phát hiện mẫu
bất thường, khám phá luật kết hợp và trực quan
hóa dữ liệu.
Bài viết tổng quan này nhằm mô tả một số
tiến bộ gần đây của lãnh vực tìm kiếm tương tự
trên dữ liệu chuỗi thời gian; những phương
pháp cho phép truy vấn hữu hiệu những chuỗi
con sử dụng những độ đo tương tự mềm dẻo để
không bị ảnh hưởng bởi những phép biến đổi
dữ liệu hoặc những sai sót dữ liệu. Bài tổng
quan này sẽ cho thấy cách mà những phương
pháp này hội tụ về một dạng thức chung của sự
rút trích đặc trưng (feature extraction).
2. BÀI TOÁN TÌM KIẾM TƯƠNG TỰ
TRÊN DỮ LIỆU CHUỖI THỜI GIAN
Đối với bài toán tìm kiếm tương tự trên dữ liệu
chuỗi thời gian thì dữ liệu được biểu diễn thành
những dãy số thực, thí dụ T = t1,…tn. Cho hai
chuỗi thời gian X = x1, x2,…,xn và Y =
y1,y2,…,yn. Ta cần phải tính độ tương tự SIM(X,
Y) của hai chuỗi thời giann này.
2.1 Các độ đo tương tự
Đã có nhiều độ đo tương tự đã được sử dụng.
Việc chọn một độ đo tương tự là tùy thuộc rất
nhiều vào miền ứng dụng và trong nhiều trường
hợp thì một độ đo thuộc chuẩn Lp đơn giản như
độ đo Euclid là đủ tốt để dùng. Tuy nhiên trong
nhiều trường hợp thì độ đo Euclid tỏ ra quá
cứng nhắc vì không thích nghi được với những
phép biến đổi như tịnh tiến (shifting), co giãn
biên độ (scaling) hay xoắn trục thời gian (time
warping). Nhiều phương pháp tìm kiếm tương
tự mới hơn dựa vào những độ đo tương tự mềm
dẻo và vững chắc hơn như độ đo xoắn thời gian
động, chuỗi con chung dài nhất.
Độ đo Euclid
Cho hai chuỗi thời gian Q = q1…qn và C =
c1…cn độ đo khoảng cách Euclid giữa hai
chuỗi thời gian này được cho bởi công thức.
Độ đo khoảng cách Euclid có ưu điểm là dễ
hiểu, dễ tính toán, dễ mở rộng cho nhiều bài
toán khai phá dữ liệu chuỗi thời gian khác như
gom cụm, phân lớp, nhận dạng mô típ, v.v..
Nhưng độ đo khoảng cách này có nhược điểm
là nhạy cảm với nhiễu, và không thích hợp khi
dữ liệu có đường căn bản khác nhau hay có
biên độ dao động khác nhau.
Độ đo xoắn thời gian động
Việc so trùng 2 đường biểu diễn dữ liệu bằng
cách tính khoảng cách từng cặp điểm 1-1 (điểm
thứ i của đường thứ I so với điểm thứ i của
đường thứ II) là không phù hợp trong trường
hợp hai đường này không hoàn toàn giống nhau
nhưng hình dạng biến đổi rất giống nhau. Như
trong hình 1, hai đường biểu diễn rất giống
nhau về hình dạng nhưng lệch nhau về thời
gian. Trong trường hợp này, nếu tính khoảng
cách bằng cách ánh xạ 1-1giữa 2 đường thì kết
quả rất khác nhau và có thể dẫn đến kết quả
cuối cùng không giống như mong muốn.
Vì vậy để khắc phục nhược điểm này, thì
một điểm có thể ánh xạ với nhiều điểm và ánh
xạ này không thẳng hàng (xem hình 1b).
Phương pháp này gọi là xoắn thời gian động
(Dynamic Time Warping - DTW) được đề xuất
bởi Bernt và Clifford, 1994 . Chi tiết về cách
tính DTW, độc giả có thể tham khảo thêm
trong bài báo ([4]).
( ) ( )∑ −≡
=
n
i
ii cqCQD
1
2,.
(a)
(b)
Hình 1 (a) Tính khoảng cách theo Euclid (b) tính khoảng cách theo DWT.
( Từ nguồn [15] )
Phương pháp DTW có ưu điểm là cho kết quả
chính xác hơn so với độ đo Euclid và cho phép
nhận dạng mẫu có hình dạng giống nhau nhưng
chiều dài hình dạng về thời gian có thể khác
nhau. Phương pháp này có nhược điểm là thời
gian chạy lâu, tuy nhiên gần đây đã có những
công trình tăng tốc độ tìm kiếm tương tự dùng
độ đo DTW.
Độ đo chuỗi con chung dài nhất (LCS).
Độ đo chuỗi con chung dài nhất (longest
common subsequence) được đề xuất bởi
Vlachos và các cộng sự năm 2004 ([21]).
Điểm nổi bật của phương pháp chuỗi con
chung dài nhất là nó cho phép bỏ qua những
điểm bất thường khi so sánh. Tư tưởng chính
của phương pháp này là tìm những chuỗi con
chung. Hai chuỗi có chuỗi con chung càng dài
thì càng giống nhau. Ví dụ, cho 2 chuỗi X, Y
với X= 3, 2, 5, 7, 4, 8, 10, 7 và Y = 2, 5, 4, 7, 3,
10, 8, 6. Chuỗi con chung là LCS = 2, 5, 7, 10
và độ tương tự của X, Y: Sim(X, Y) = |LCS| = 4.
Độ đo này có ưu điểm là thể hiện tính trực quan
của dữ liệu và cho phép bỏ qua những điểm bất
thường.
2.2 Tìm kiếm toàn bộ và tìm kiếm chuỗi con
Mặc dù có nhiều loại khác nhau, nhưng các yêu
cầu truy vấn trên dữ liệu chuỗi thời gian có thể
chia làm 2 loại:
So trùng toàn bộ: (whole matching) Đối với
những truy vấn so trùng toàn bộ thì chiều dài
của chuỗi dữ liệu truy vấn và chiều dài chuỗi
dữ liệu ban đầu là bằng nhau. Bài toán này ta
thường được dùng trong việc gom cụm, hay
phân loại dữ liệu chuỗi thời gian. Ví dụ, “tìm
giá chứng khoán của những công ty nào thay
đổi giống nhau”.
So trùng chuỗi con:(subsequence matching)
Trong trường hợp so trùng chuỗi con thì chiều
dài của dữ liệu truy vấn ngắn hơn rất nhiều so
với chiều dài của dữ liệu ban đầu. Vì vậy,
nhiệm vụ chính là tìm những đoạn trong dữ liệu
ban đầu tương tự với dữ liệu truy vấn. Một số
ứng dụng của bài toàn này là tìm những mẫu dữ
liệu quan trọng hay những thay đổi bất thường
trong dữ liệu ban đầu.
Bài toán so trùng chuỗi con là bài toán rất
căn bản của lĩnh vực nghiên cứu về dữ liệu
chuỗi thời gian. Từ bài toán so trùng chuỗi con
trên dữ liệu chuỗi thời gian thì ta có thể mở
rộng thành so trùng toàn bộ.
3. CÁC PHƯƠNG PHÁP THU GIẢM SỐ
CHIỀU DỰA VÀO ĐẶC TRƯNG
Dữ liệu chuỗi thời gian thường cực kỳ lớn. Tìm
kiếm trực tiếp trên những dữ liệu này sẽ rất
phức tạp và không hữu hiệu. Để khắc phục vấn
đề này, ta nên áp dụng một số phương pháp
biến đổi để thu giảm độ lớn của dữ liệu. Những
phương pháp biến đổi này thường được gọi là
nhũng kỹ thuật thu giảm số chiều
(dimensionality reduction). Phương pháp tổng
quát để thu giảm số chiều có thể tóm tắt như
sau:
1. Thiết lập một độ đo tương tự d
2. Thiết kế một kỹ thuật thu giảm số
chiều để rút trích một đặc trưng có
chiều dài k (tức là một đặc trưng gồm k
giá trị), với k có thể được xử lý một
cách hữu hiệu nhờ một cấu trúc chỉ
mục không gian (đa chiều).
3. Cung cấp một độ đo tương tự dk trên
một không gian đặc trưng k chiều và
chứng tỏ rằng nó tuân thủ điều kiện sau
đây:
dk(X’, Y’) ≤ d(X, Y) (1)
Điều kiện (1) có nghĩa là hàm khoảng cách tính
trên không gian đặc trưng (hay không gian thu
giảm) của hai chuỗi thời gian đã được biến đổi
X’, Y’ từ hai chuỗi thời gian ban đầu X, Y phải
chặn dưới khoảng cách thật giữa chúng trên
không gian nguyên thủy.
Có ba nhóm phương pháp chính để thu giảm số
chiểu là phương pháp biến đổi sang miền tần
số, phương pháp xấp xỉ tuyến tính từng đoạn và
phương pháp điểm quan trọng.
3.1 Các phương pháp biến đổi sang miền tần
số
Phương pháp biến đổi fourier rời rạc (discrete
Fourier tranform – DFT):
Phương pháp biến đổi rời rạc Fourier do R.
Agrawal và cộng sự đề nghị ([1],[2],[7]). Trong
phương pháp biến đổi Fourier thì đường dữ
liệu ban đầu được biểu diễn bởi các đường căn
bản. Nhưng đường căn bản trong trường hợp
này là đường sin và cosin.
Ngoài khả năng nén dữ liệu, với cách tính
khoảng cách dựa trên khoảng cách Euclid thì
phương pháp Fourier cho phép so sánh gián
tiếp 2 chuỗi X, Y thông qua khoảng cách của 2
chuỗi Xf , Yf đã được biến đổi. Sở dĩ phép biến
đổi Fourier rời rạc có tính chất trên là vì:
D(X, Y) ≥ α D(Xf , Yf )
(trong đó α là hằng số)
Vì vậy, phương pháp biến đổi Fourier đã được
sử dụng trong nhiều ứng dụng và một số
phương pháp lập chỉ mục như F-index, ST-
index … đã được đề nghị ([1],[2],[7]). Ưu điểm
của phương pháp DFT là thích hợp với các loại
đường biểu diễn dữ liệu khác nhau và giải thuật
để biến đổi dữ liệu chỉ có độ phức tạp O(nlgn).
Tuy nhiên, nhược điểm lớn nhất rất khó giải
quyết nếu các chuỗi thời gian có chiều dài khác
nhau.
Phương pháp biến đổi wavelet rời rạc
(discrete wavelet transform - DWT)
Phương pháp thu giảm số chiều bằng biến
đổi rời rạc Wavelet rời rạc do K. Chan và
W. Fu đề nghị năm 1999 ([5]). Phương
pháp DWT cũng giống phương pháp DFT,
tuy nhiên đường cơ bản của nó không phải
là đường lượng giác sin hay cosin mà là
đường haar như trong hình 2. Đường Haar
được định nghĩa theo các công thức ijψ
như sau:
i
fψ = )2( ixj −ψ
i = 0,…. 2j -1
1. Với mỗi vị trí trên chuỗi thời gian ban đầu,
dùng một cửa sổ trượt (sliding window) có
kích thước w, và tạo ra một đặc trưng chiều
dài k (một điểm trong không gian thu giảm k
chiều). Mỗi điểm này sẽ gần với điểm đi
trước vì nội dung của cửa số trượt thay đổi
chậm. Những điểm trong dữ liệu chuỗi thời
gian ban đầu sẽ được biến đổi thành một vết
(trail) trong không gian đặc trưng. Ngoài sử dụng đường Haar, phương pháp
Wavelet có thể sử dụng các đường cơ bản khác
như đường Daubechies, Coiflet, Symmlet…
Tuy nhiên, Haar Wavalet đã được sử dụng rất
nhiều trong khai phá dữ liệu chuỗi thời gian và
lập chỉ mục ([18]).
∑
=
+=
n
k
kkkk twBtwAtC
1
))2sin()2cos(()( ππ
Phương pháp biến đổi Wavelet rời rạc rất
hiệu quả bởi vì nó mã hóa đơn giản và nhanh.
Độ phức tạp của việc mã hóa này là tuyến tính.
Một ưu điểm của giải thuật Wavelet là nó hỗ
trợ nhiều mức phân giải. Tuy nhiên nhược điểm
là chiều dài chuỗi dữ liệu ban đầu của nó phải
là một số lũy thừa 2 và chiều dài của chuỗi con
truy vấn cũng nên là số lũy thừa của 2 thì giải
thuật mới thực hiện hiệu quả.
Hình 2. Minh họa cách biến đổi dữ liệu theo
các phương pháp DFT, DWT (Từ nguồn [ 15])
Khi áp dụng kỹ thuật thu giảm số chiều bằng
DFT hay DWT, thủ tục so trùng chuỗi con
được tiến hành bằng các bước sau:
i
jψ (t) với
1 với 0< t <0.5
-1 với 0.5< t <1
0 các trường hợp khác
=
2. Phân đoạn vết thành những hình chữ nhật
bao nhỏ nhất (minimal bouding rectangle-
nh cầu đa
cấu trúc chỉ mục không gian thông dụng
ể hỗ trợ tìm kiếm tương tự trên dữ liệu chuỗi
ợp để
én tất cả các loại dữ liệu chuỗi thời gian. Hơn
ó
g trung bình
ng bậc thang.
Với phương pháp này, thời gian tính toán rất
ảng cách.
ng (adaptive piecewise constant
approximation –APCA) do E. Keogh và cộng sự
ng thì được phân thành những đoạn dài
ơn.
m quan trọng
ỉ từ
ể
giảm số chiều bằng
Phương pháp điểm cực trị
ác
điểm quan trọng trong chuỗi thời gian ([8]).
MBR) đa chiều.
3. Lưu các MBR trong một cấu trúc chỉ mục
không gian.
Để truy tìm những chuỗi con tương tự với
chuỗi con truy vấn Q có chiều dài w, ta chỉ cần
rà soát tất cả các MBR có giao với hì
chiều (hypersphere) có bán kính r (r: là ngưỡng
sai số cho phép) bao quanh điểm đặc trưng Q’
mà thể hiện chuỗi con truy vấn Q.
Các
đ
thời gian có thể kể như cây R* ([3]), cây M
([6]).
3.2 Các phương pháp xấp xỉ tuyến tính từng
đoạn
Phương pháp xấp xỉ tuyến tính từng đoạn (
PLA)
Phương pháp xấp xỉ tuyến tính từng đoạn
(piecewise linear approximation) do E. Keogh
và cộng sự đề nghị ([11],[12]). Trong phương
pháp này ta sẽ biểu diễn dữ liệu ban đầu bằng
chuỗi các đoạn thẳng tuyến tính. Mỗi đoạn
thẳng tuyến tính nối cặp điểm ở hai đầu đoạn
thẳng xấp xỉ tốt nhất (best-fit) những điểm có
trong phân đoạn chuỗi thời gian đó. Các đoạn
thẳng này có thể rời nhau hoặc liên tục. Cách
biểu diễn này rất trực quan và nó phù h
n
thế nữa, việc tìm các chuỗi đoạn thẳng này c
thể thực hiện trong thời gian tuyến tính.
Phương pháp xấp xỉ gộp từng đoạn (PAA)
Phương pháp xấp xỉ gộp từng đoạn (piecewise
aggregate approximation) do E. Keogh và cộng
sự đề nghị năm 2001([13]). Phương pháp này
rất đơn giản, ta tuần tự xấp xỉ k giá trị liền kề
nhau thành cùng một giá trị bằn
cộng của k điểm đó. Qúa trình cứ tiếp tục như
vây từ trái sang phải. Kết quả cuối cùng là
đường thẳng có dạ
nhanh và cách biểu diễn của nó hỗ trợ nhiều độ
đo kho
Phương pháp xấp xỉ hằng số từng đoạn thích
nghi
Phương pháp xấp xỉ hằng số từng đoạn thích
đề nghị năm 2001 ([14]). Phương pháp APCA
giống như phương pháp PAA là xấp xỉ dữ liệu
ban đầu thành những đoạn thẳng nằm ngang.
Tuy nhiên, nó khác với PAA là các đoạn này ở
PAA có kích thước bằng nhau, còn ở APCA thì
kích thước của các đoạn là khác nhau tùy theo
dữ liệu. Những vùng nào trên chuỗi thời gian
có biến động nhấp nhô nhiều thì được phân
thành những đoạn ngắn, còn những vùng nào ít
biến độ
hi
h
3.3 Các phương pháp điể
Phương pháp điểm mốc
Năm 2000, Perng và các cộng sự đã đưa ra một
mô hình điểm mốc ([19]). Các điểm mốc
(landmark) trong một chuỗi thời gian là các
điểm có độ quan trọng lớn. Ý chính của mô
hình này là sử dụng các điểm mốc để xử lý thay
vì làm việc với chuỗi thời gian ban đầu. Tùy
theo lãnh vực ứng dụng mà sẽ có những điểm
mốc khác nhau, và định nghĩa của các điểm
mốc có thể đi từ các khái niệm đơn giản (như
các điểm cực đại, cực tiểu địa phương hoặc
điểm uốn) đến các cấu trúc phức tạp hơn. Một
điểm được gọi là điểm mốc cấp n của một
đường cong nếu đạo hàm cấp n của điểm đó
bằng 0. Như vậy, các điểm cực đại, cực tiểu địa
phương là các điểm mốc bậc 1, còn các điểm
uốn là các điểm mốc cấp 2. Càng nhiều loại
điểm mốc khác nhau được dùng thì chuỗi thời
gian được biểu diễn càng chính xác, tuy nhiên
điều này sẽ làm cho cây chỉ mục lớn lên..
Hình 3 biểu diễn chuỗi thời gian xấp x
12 điểm mốc của chuỗi thời gian ban đầu.
Một kỹ thuật làm nhẵn (smoothing) cũng
được đưa vào để giúp loại bỏ những điểm mốc
không quan trọng, chẳng hạn, một cực trị địa
phương biểu diễn sự dao động nhỏ không th
quan trọng như những điểm cực trị toàn cục.
Perng và các cộng sự ([19]) cũng đã phát
triển một cấu trúc chỉ mục gọi là cây S2 (S2-
tree) để hỗ trợ việc truy vấn dữ liệu chuỗi thời
gian đã qua bước thu
phương pháp điểm mốc.
Năm 2001, Fint và Pratt đã đề xuất một kỹ
thuật thu giảm số chiều dựa trên việc trích c
ằng
Khi tăng R sẽ có ít điểm
ợc lấy hơn. Các điểm cực trị quan trọng được
a ,…,a được gọi là một
chỉ số i, j
i a1,…,an được
có một cặp
j, mà:
ó độ
a chuỗi thời gian một
đoạn tiền xử lý.
vào
kế n đã chọn (có thể là điểm đầu và điểm thứ
ba hoặc điểm thứ ba và điểm cuối). Tiến trình
ẳng đứng (vertical
số chiều
ecialized binary tree) để hỗ trợ quá
nhiên họ chưa chứng
inh về mặt lý thuyết tính chính xác của
phương pháp này.
Hình 3. Xấp xỉ b
Các điểm quan trọng được lấy là các điểm
cực đại và cực tiểu quan trọng và bỏ qua các
điểm biến đổi nhỏ. Tỉ số nén được kiểm soát
bởi tham số R > 1.
các điểm mốc
các điểm PIP (perceptually important points).
Giải thuật xác định các điểm PIP như sau.
Với một chuỗi thời gian T đã được chuẩn
hóa, hai điểm PIP đầu tiên được chọn là điểm
đầu tiên và điểm cuối cùng của chuỗi T. Điểm
PIP thứ ba được chọn là điểm trong T có
khoảng cách lớn nhất so với hai điểm PIP đầu
tiên. Điểm PIP thứ tư được chọn là điểm trong
T có khoảng cách lớn nhất so với hai điểm PIP
xác định các điểm PIP tiếp tục cho đến khi số
điểm PIP đạt được số điểm yêu cầu. Khoảng
cách giữa một điểm trong T với 2 điểm PIP kế
cận đã chọn là đoạn th
đư
định nghĩa như sau:
Điểm am trong chuỗi 1 n
cực tiểu quan trọng nếu có một cặp
sao cho i ≤ m ≤ j, mà:
am là cực tiểu trong đoạn ai…aj và
ai/am ≥ R và aj/am ≥ R.
Một cách trực giác, cực tiểu quan trọng là điểm
nhỏ nhất trong một đoạn nào đó.
Tương tự, điểm am trong chuỗ
gọi là một cực đại quan trọng nếu
chỉ số i, j sao cho i ≤ m ≤
am là cực đại trong đoạn ai…aj và
am /ai ≥ R và am /aj ≥ R
Fint và Pratt đã đưa ra giải thuật rút ra những
điểm cực trị quan trọng, giải thuật này c
phức tạp O(n). Nó quét qu
lần và không cần qua giai
Phương pháp điểm PIP
Năm 2001, Chung, Fu và các cộng sự ([9])
đã đưa ra kỹ thuật thu giảm số chiều dựa
cậ
distance) từ điểm cần tính tới đường nối hai
điểm PIP kế cận đã chọn.
Hình 4 minh họa quá trình xác định các
điểm PIP với chuỗi thời gian gồm 10 điểm và
số điểm PIP cần xác định là 5. Năm 2004, Fu,
Chung và các cộng sự ([10]) đưa ra cách cải
tiến kỹ thuật nêu trên. Thay vì chỉ xác định m
điểm PIP trong chuỗi thời gian, tiến trình nhận
diện các điểm PIP sẽ xác định độ quan trọng
của mọi điểm trong chuỗi thời gian và đưa kết
quản vào một danh sách L. Các điểm PIP được
xác định trước được coi là có độ quan trọng cao
hơn các điểm PIP được xác định sau. Với danh
sách L chứa độ quan trọng của các điểm trong
chuỗi thời gian T, ta có thể thu giảm
của T (có chiều dài n) bằng cách chọn ra m
điểm (m << n) ở đầu danh sách L.
Năm 2004, nhóm tác giả phát triển một cấu
trúc dữ liệu được gọi là cây nhị phân chuyên
biệt (Sp
trình tìm kiếm chuỗi con dựa vào các điểm PIP
([10]).
Những ưu điểm của phương pháp thu giảm số
chiều dựa vào điểm quan trọng là (1) phù hợp
với trực giác, (2) các chuỗi thời gian có chiều
dài khác nhau có thể so trùng và (3) có thể thu
giảm số chiều ở nhiều mức phân giải khác
nhau. Thông qua thực nghiệm các tác giả cho
thấy rằng cách tiếp cận dựa vào các điểm quan
trọng là hiệu quả. Tuy
m
Hình 4. Cực tiểu quan trọng (trái) và cực đại quan trọng (phải)
Hình 5. Quá trình xác định 5 điểm PIP trong dữ liệu chuỗi thời gian.
4. CÁC PHƯƠNG PHÁP RỜI RẠC HÓA
Trong phương pháp rời rạc hóa (discretization)
thì từ dữ liệu ban đầu, ta sẽ chia thành những
đoạn dữ liệu nhỏ hơn, rồi sau đó, tương ứng với
mỗi đoạn nhỏ này ta sẽ mã hóa chúng bởi
những đặc trưng của đoạn và tập hợp những
đặc trưng của những đoạn nhỏ này sẽ làm thành
một tràng ký hiệu biểu diễn cho dữ liệu ban
đầu. Có một số phương pháp rời rạc hóa đã
được đề xuất như SAX, ESAX, và iSAX. Lợi
ích quan trọng của việc rời rạc hóa dữ liệu
chuỗi thời gian là điều này cho phép sử dụng
những cấu trúc dữ liệu và giải thuật vốn có
trong lãnh vực xử lý chuỗi ký tự như cây hậu
tố, kỹ thuật băm, mô hình xích Markov,v.v…
4.1 Phương pháp xấp xỉ gộp ký hiệu hóa
- SAX
Lin, Keogh và các cộng sự ([16]) đã đề xuất
một phương pháp rời rạc hóa có tên là xấp xỉ
gộp ký hiệu hóa (symbolic aggregate
approximation – SAX) mà dựa trên phương
pháp thu giảm số chiều PAA và giả sử dữ liệu
thu giảm số chiều đã đươc chuẩn hóa. SAX là
quá trình ánh xạ biểu diễn PAA của chuỗi thời
gian thành một chuỗi ký tự rời rạc. Gọi a là
kích thước của bộ ký hiệu mà được dùng để rời
rạc hóa chuỗi thời gian. Để ký hiệu hóa chuỗi
thời gian chúng ta phải tìm thấy các trị (điểm
ngắt) sau đây:
121 ,...,, −aβββ với 121 ... −<<< aβββ
Sử dụng những trị này, chuỗi thời gian
wttT ...,,1= sẽ được rời rạc hóa thành tràng ký
hiệu C = c1c2….cw. Mỗi đoạn it sẽ được mã
hóa thành ký hiệu ci dùng công thức sau:
⎪⎪⎩
⎪⎪⎨
⎧
≤<
>
≤
=
−
−
kikk
aia
i
i
tc
tc
tc
c
ββ
β
β
1
1
11
(2)
Hình 6 minh họa phương pháp mã hóa SAX.
Chúng ta chú ý rằng dữ liệu chuỗi thời gian
thường có phân bố xác xuất Gauss. Để có một
xác xuất bằng nhau (1/a) cho mỗi ký hiệu, ta
phải chọn trị điểm ngắt iβ dựa trên bảng xác
xuất của phân bố Gauss.
Sau giai đoạn mã hóa SAX, thì bài toán so
trùng chuỗi thời gian trở thành bài toán so trùng
chuỗi ký tự. Để thực hiện việc so trùng này
nhanh chóng thì cấu trúc cây hậu tố (suffix
tree) hay tập tin VA (vector approximation file)
có thể được sử dụng làm cấu trúc chỉ mục.
Trong nhiều trường hợp ta chỉ cần quan tâm
đặc trưng của chuỗi thời gian thì phương pháp
mã hóa SAX này rất thích hợp và hiện tại đang
được ứng dụng nhiều. Ngoài ra, trong phương
pháp mã hóa SAX, ta có thể sử dụng những cấu
trúc dữ liệu và giải thuật có sẵn về xử lý chuỗi
ký tự như trong lãnh vực xử lý dòng ký tự và
xử lý trình tự sinh học. Tuy nhiên, nhược điểm
chính của SAX là cách định nghĩa những đặc
trưng cũng như phương pháp này không hỗ trợ
tốt việc tính khoảng cách Euclid và dữ liệu
chuỗi thời gian được giả định là phải thỏa phân
bố xác xuất Gauss.
4.2 Phương pháp ESAX
Năm 2006, Lkhagva và các cộng sự ([17]) đã
đề xuất một phương pháp rời rạc hóa là sự mở
rộng của SAX, gọi là ESAX (Extended SAX)
để đem lại một cách rời rạc hóa hữu hiệu hơn
SAX khi áp dụng vào dữ liệu chuỗi thời gian
trong lãnh vực tài chính. Do SAX dựa vào cách
biểu diễn PAA mà trong đó sự thu giảm số
chiều là sử dụng các giá trị trung bình của các
chuỗi con được phân đoạn với độ dài bằng
nhau, nên có khả năng bị mất đi một số mẫu
quan trọng trong dữ liệu chuỗi thời gian tài
chính. Để khắc phục nhược điểm này, Lkhagva
và các cộng sự vẫn dựa vào PAA nhưng sau khi
đạt được giá trị trung bình của mỗi phân đoạn,
họ đưa thêm vào giá trị nhỏ nhất và lớn nhất
của mỗi phân đoạn. Như vậy mỗi phân đoạn
được diễn tả bằng một bộ ba <trị trung bình, trị
nhỏ nhất, trị lớn nhất>, và sau đó bộ ba này sẽ
được mã hóa bằng 3 ký hiệu thay vì chỉ một ký
hiệu như trong phương pháp rời rạc hóa SAX.
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
1.00 21.00 41.00 61.00 81.00 101.00 121.00
a
b
c
b
a
c
b
b
a
c
a
Hình 6: Một chuỗi thòi gian được biến đổi PAA
rồi mã hóa thành các ký hiệu SAX. Chuỗi thời
gian được mã hóa thành baabccbc.
4.3 Phương pháp iSAX
Phương pháp rời rạc hóa iSAX (indexable
symbolic aggregate approximation) được Shieh
và Keogh đưa ra năm 2008 ([20]). Phương
pháp này là sự mở rộng của phương pháp SAX
mà thay vì mã hóa mỗi phân đoạn chuỗi thời
gian thành một ký hiệu như là chữ hay số
nguyên, iSAX mã hóa nó thành số nhị phân, thí
dụ “00”, “01”,”10”,”11”.
Với cách này iSAX có thể mã hóa chuỗi thời
gian thành chuỗi bit và nhờ đó tiết kiệm được
rất nhiều chỗ bộ nhớ lưu trữ. Ngoài ra, iSAX
còn hỗ trợ khả năng biểu diễn đa mức phân giải
(multi-resolution) dựa trên khả năng đa mức
phân giải của các mức rời rạc hóa. Bằng việc
kết hợp với một cấu trúc chỉ mục cây phân cấp
(hierarchical tree) với phương pháp iSAX, ta có
thể truy vấn nhanh trên cơ sở dữ liệu chuỗi thời
gian với kích thước lớn lên đến hàng terabyte.
5. KẾT LUẬN
Bài viết này điểm qua những nghiên cứu gần
đây của lãnh vực tìm kiếm tương tự trên dữ liệu
chuỗi thời gian. Những nghiên cứu này hội tụ
vào phương thức tìm kiếm tương tự dựa trên
cách tiếp cận rút trích đặc trưng để thu giảm số
chiều. Có 3 phương pháp rút trích đặc trưng
chính được trình bày: các phép biến đổi sang
miền tần số, các phương pháp xấp xỉ tuyến tính
từng đoạn và các phương pháp dựa vào điểm
quan trọng. Cuối cùng, các phương pháp rời rạc
hóa nhằm mã hóa chuỗi thời gian thành chuỗi
ký hiệu cũng được trình bày.
Mặc dù lãnh vực tìm kiếm tương tự dữ
liệu chuỗi thời gian đã thu hút được sự quan
tâm của giới nghiên cứu và là một lãnh vực
tương đối trưởng thành, nhưng vẫn còn nhiều
vấn đề cần phải được nghiên cứu thêm. Có hai
lãnh vực như vậy có thể kể: (1) nghiên cứu so
sánh bằng thực nghiệm hiệu quả của các
phương pháp tìm kiếm tương tự đã đề xuất và
(2) ứng dụng của các phương pháp này trong
các lãnh vực khai phá dữ liệu chuỗi thời gian.
TÀI LIỆU THAM KHẢO
[1] Agrawal, R., Faloutsos, C. and Swami,
A.N., 1993, Efficient Similarity Search in
Sequence Databases, Proc. 4th Int. Conf. on
Foundations of Data Organization and
Algorithms (FODO), pp. 69-84.
[2] Agrawal, R., Lin, K., Sawhney, H.S., and
Shim, K., 1995, Fast similarity search in
the presence of noise, scaling, and
translation in time-series databases. In
Proceedings of the 21st International
Conference on Very Large Databases,
VLDB95, Zurich, Switzerland, pp. 490-
501.
[3] Beckmann N., et al., 1990, The R*-tree: an
efficient and robust access method for
points and rectangles, In Proceedings of the
ACM SIGMOD International Conference
on Management of Data, SIGMOD90,
Atlantic City, NewYork, USA, pp. 322-
331.
[4] Berndt, D. and Clifford J., 1994, Using
dynamic time warping to find patterns in
time series. In Proceedings of AAAI
Workshop on Knowledge Discovery in
Databases, KDD-94, Seattle, Washington,
USA, pp. 359-370.
[5] Chan, K., Fu, A. W., 1999, Efficient time
series matching by wavelets. In
Proceedings of the 15th IEEE International
Conference on Data Engineering, Sydney,
Australia, pp. 126-133.
[6] Ciaccia P., et al., 1997, M-tree: An Efficient
Access Method for Similarity Search in
Metric Spaces, In Proceedings of the 23rd
VLDB International Conference, Athens,
Greece, pp. 426-435.
[7] Faloutsos, C., Ranganathan, M.,
Manolopoulos, Y., Fast Subsequence
Matching in Time-Series Databases,
Proceedings of the 14th ACM SIGMOD
International Conference on Management
of Data (SIGMOD 1994), May 24-27,
1994, pp. 419-429.
[8] Fint, E., and Pratt, K. B., 2004, Indexing of
compressed time series, In M. Last, A.
Kandel and H. Bunke (Eds.) Data Mining
in Time Series Databases, World Scientific
Publishing.
[9] Fu, T.C., Chung, F.L., Luk, R. and Ng, C.
M., 2004, Financial Time Series Indexing
Based on Low Resolution Clustering,
Proceedings of the 4th IEEE International
Conference on Data Mining (ICDM'04)
Workshop on Temporal Data Mining:
Algorithms, Theory and Applications,
November 1, pp. 5-14.
[10] Fu, T.C., Chung, F.L., Luk, R. and Ng, C.
M., 2004, A Specialized Binary Tree for
Financial Time Series Reprentation, Proc.
of 10th ACM SIGKDD Int. Conf. on
Knowledge Discovery and Data Mining
Workshop on Temporal Data Mining, pp.
96-103.
[11] Keogh E. and Pazzani M., 1998, An
enhanced representation of time series
which allows fast and accurate
classification, clustering and relevance
feedback, In Proceedings of the 4th
International Conference on Knowledge
Discovery and Data Mining, New York,
NY, Aug 27-31. pp 239-241.
[12] Keogh E., et al., 2001, An online
algorithm for segmenting time series. In
Proceedings of the IEEE International
Conference on Data Mining, California,
USA, pp. 289-296.
[13] Keogh, E., Chakrabarti, K., Pazzani,M.
and Mehrotra, S., 2001, Dimensionality
reduction for fast similarity search in large
time series databases, Journal of
Knowledge and Information Systems, Vol.
3, No. 3, 2000, pp. 263-286.
[14] Keogh, E., Chakrabarti, K., Pazzani,M.
and Mehrotra, S, 2001, Locally adaptive
dimensionality reduction for indexing large
time series databases, Proceedings of the
2001 ACM SIGMOD Conference on
Management of Data, May 21-24, 2001,
pp. 151-162.
[15] Keogh E., 2006, A Tutorial on Indexing
and Mining Time Series Data, In
Proceedings of the 32th International
Conference on Very Large Databases,
VLDB2006, Seoul, Korea.
[16] Lin J., Keogh, E., Lonardi, S., and Chiu,
B., 2003, A Symbolic Representation of
Time Series, with Implications for
Streaming Algorithms, In Proceedings of
8th ACM SIGMOD Workshop on Research
Issues in Data Mining and Knowledge
Discover, DMKD 2003, California, USA,
pp. 2-11.
[17] Lkhagva B., Suzuki, Y. and Kawagoe, K.,
2006, New Time Series Data
Representation ESAX for Financial
Applications. In Proceedings of the
International Special Workshop on
Databases for Next-Generation
Researchers (SWOD 2006) in conjunction
with International Conference on Data
Engineering, ICDE 2006, Georgia, USA,
pp. 17-22.
[18] Popivanov I., Miller R.J., 2002, Efficient
Similarity Queries Over Time Series Data
Using Wavelets, In Proceedings of the 18th
International Conference on Data
Engineering, San Jose, California, USA,
pp. 212 - 221.
[19] Perng, C., Wang, H., Zhang, S. R., and
Parker, D.S., 2000, Landmarks: A New
Model for Similarity-based Pattern
Querying in Time Series Databases, Proc.
16th Int. Conf. on Data Engineering
(ICDE), pp. 23-32.
[20] Shieh, J. and Keogh, E., 2008, iSAX:
Indexing and Mining Terabyte sized Time
Series, Proc. of SIGKDD 2008.
[21] Vlachos, M., Gunopulos, D., Das, G.,
2004, Indexing Time Series under
Condition of Noise, in M. Last, A. Kandel
& H. Bunke (Eds.), Data Mining in Time
Series Databases, World Scientific
Publishing, 2004.
Các file đính kèm theo tài liệu này:
- Tổng quan về tìm kiếm tương tự trên dữ liệu chuỗi thời gian.pdf