A simple and fast representation space for classifying complex time series

در زمینه تحلیلهای سری زمانی، تلاشهای قابل توجهی در جهت اجرای کوانتیزاسیونهای آماری تحلیلی کارآمد انجام شده است. اخیرا یک فضای نمایندگی ساده و سریع ارائه شده است، یعنی تعداد نقاط تبدیل در مقایسه با ارزش عببه. این می تواند مجموعه های زمانی را از فرایندهای ثابت و غیر ثابت با وابستگی های طولانی جدا کند. در این کار ما نشان می دهیم که این رویکرد دو بعدی برای تشخیص مجموعه های پیچیده ای مفید است: مجموعه های مختلف اطلاعات مالی و فیزیولوژیکی به صورت موثر تشخیص داده می شوند. علاوه بر این، یک تعمیم چندمتغیره که به مقیاس زمانی چندگانه که اغلب در سیستم های پیچیده دخیل هستند، را نیز در نظر گرفته است. این تجزیه و تحلیل چندمرحله ای برای رسیدن به قدرت جدایی پذیری بالاتر بین سری زمانی فیزیولوژیکی در سلامت و بیماری ضروری است.