Tổng quan về tìm kiếm tương tự trên dữ liệu chuỗi thời gian

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.